KLASIFIKASI JENIS BUAH PISANG DENGAN IMAGE PROCESSING...

116
i KLASIFIKASI JENIS BUAH PISANG DENGAN IMAGE PROCESSING MENGGUNAKAN METHODE BACKPROPAGATION SKRIPSI Diajukan Untuk Memenuhi Salah Satu Syarat Memperoleh Gelar Sarjana Komputer Program Studi Teknik Informatika Oleh: Hironimus Hendra Setiawan 135314126 PROGRAM STUDI TEKNIK INFORMATIKA FAKULTAS SAINS DAN TEKNOLOGI UNIVERSITAS SANATA DHARMA YOGYAKARTA 2018 PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

Transcript of KLASIFIKASI JENIS BUAH PISANG DENGAN IMAGE PROCESSING...

Page 1: KLASIFIKASI JENIS BUAH PISANG DENGAN IMAGE PROCESSING ...repository.usd.ac.id/31630/2/135314126_full.pdf · KLASIFIKASI JENIS BUAH PISANG DENGAN IMAGE PROCESSING MENGGUNAKAN METHODE

i

KLASIFIKASI JENIS BUAH PISANG DENGAN IMAGE

PROCESSING MENGGUNAKAN METHODE

BACKPROPAGATION

SKRIPSI

Diajukan Untuk Memenuhi Salah Satu Syarat Memperoleh Gelar Sarjana Komputer

Program Studi Teknik Informatika

Oleh:

Hironimus Hendra Setiawan

135314126

PROGRAM STUDI TEKNIK INFORMATIKA

FAKULTAS SAINS DAN TEKNOLOGI

UNIVERSITAS SANATA DHARMA

YOGYAKARTA

2018

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

Page 2: KLASIFIKASI JENIS BUAH PISANG DENGAN IMAGE PROCESSING ...repository.usd.ac.id/31630/2/135314126_full.pdf · KLASIFIKASI JENIS BUAH PISANG DENGAN IMAGE PROCESSING MENGGUNAKAN METHODE

ii

CLASSIFICATION OF TYPE OF BANANA FRUITS WITH

IMAGE PROCESSING USING BACKPROPAGATION METHOD

A THESIS

Presented as Partial Fulfillment of Requirements to Obtain Sarjana Komputer

Degree in Informatics Engineering Department

By:

Hironimus Hendra Setiawan

135314126

INFORMATICS ENGINEERING STUDY PROGRAM

FACULTY OF SCIENCE AND TECHNOLOGY

SANATA DHARMA UNIVERSITY

YOGYAKARTA

2018

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

Page 3: KLASIFIKASI JENIS BUAH PISANG DENGAN IMAGE PROCESSING ...repository.usd.ac.id/31630/2/135314126_full.pdf · KLASIFIKASI JENIS BUAH PISANG DENGAN IMAGE PROCESSING MENGGUNAKAN METHODE

iii

HALAMAN PERSETUJUAN SKRIPSI

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

Page 4: KLASIFIKASI JENIS BUAH PISANG DENGAN IMAGE PROCESSING ...repository.usd.ac.id/31630/2/135314126_full.pdf · KLASIFIKASI JENIS BUAH PISANG DENGAN IMAGE PROCESSING MENGGUNAKAN METHODE

iv

HALAMAN PENGESAHAN SKRIPSI

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

Page 5: KLASIFIKASI JENIS BUAH PISANG DENGAN IMAGE PROCESSING ...repository.usd.ac.id/31630/2/135314126_full.pdf · KLASIFIKASI JENIS BUAH PISANG DENGAN IMAGE PROCESSING MENGGUNAKAN METHODE

v

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

Page 6: KLASIFIKASI JENIS BUAH PISANG DENGAN IMAGE PROCESSING ...repository.usd.ac.id/31630/2/135314126_full.pdf · KLASIFIKASI JENIS BUAH PISANG DENGAN IMAGE PROCESSING MENGGUNAKAN METHODE

vi

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

Page 7: KLASIFIKASI JENIS BUAH PISANG DENGAN IMAGE PROCESSING ...repository.usd.ac.id/31630/2/135314126_full.pdf · KLASIFIKASI JENIS BUAH PISANG DENGAN IMAGE PROCESSING MENGGUNAKAN METHODE

vii

HALAMAN ABSTRAK

KLASIFIKASI JENIS BUAH PISANG DENGAN IMAGE PROCESSING

MENGGUNAKAN METHODE BACKPROPAGATION

ABSTRAK

Perkembangan teknologi saat ini semakin pesat yang dampaknya sangat

memudahkan masyarakat dalam banyak bidang. Salah satu bidang yang terkena

dampaknya ialah perindustrian. Di Indonesia sendiri pisang merupakan salah satu

jenis buah yang paling banyak diproduksi. Pisang dapat diolah menjadi berbagai jenis

makanan, seperti selai, keripik, roti dan lain sebagainya. Berbeda hasil olahan

berbeda pula jenis pisang yang digunakan. Namun disamping banyaknya produksi,

masih banyak pula pengolahan pisang yang dilakukan secara kurang efisien. Hal ini

dapat dilihat dari pemilihan jenis pisang untuk diolah masih dilakukan secara manual,

dilihat dari warna dan ukuran dengan mata telanjang. Salah satu contoh efek

perkembangan teknologi saat ini yang berdampak pada bidang perindustrian ialah

memungkinkan adanya sistem yang mampu belajar sendiri seperti manusia.

Teknologi ini dinamakan dengan Jaringan Syaraf Tiruan. Salah satu terapannya ialah

dengan adanya sistem yang mampu mengenali jenis buah pisang secara otomatis dan

memberikan informasi mengenai ciri yang dikenali oleh sistem.

Dalam penelitian ini nantinya akan menghasilkan sistem yang mampu

mengklasifikasi jenis jenis pisang. Sistem yang akan dibangun ini menerapkan

jaringan syaraf tiruan untuk pemodelanya dan menggunakan ektralsi ciri berupa mean

rgb dan standar deviasi rgb, perimeter, luas, panjang, lebar, kebulatan, dan

kerampingan.

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

Page 8: KLASIFIKASI JENIS BUAH PISANG DENGAN IMAGE PROCESSING ...repository.usd.ac.id/31630/2/135314126_full.pdf · KLASIFIKASI JENIS BUAH PISANG DENGAN IMAGE PROCESSING MENGGUNAKAN METHODE

viii

Percobaan proses klasifikasi jenis pisang dengan Jaringan Syaraf Tiruan

Propagasi Balik (Backpropagation) dengan melakukan variasi 2 model, yakni

traingdx dan trainlm dan fungsi transfer layer logsig dan fungsi transfer output

purelin. Model pengujian yang digunakan pada proses klasifikasi adalah 5-fold cross

validasi dengan dasar variasi epoch, goal, dan learning rate dari pengujian

menggunakan holdout validation. Berdasarkan hasil percobaan, didapat akurasi

terbaik dengan 1 hidden layer sebesar 100% dengan waktu 1.6 detik dengan rata-rata

akurasi tertinggi 89.95% dengan rata-rata waktu 6.2 detik. Lalu menggunakan 2

hidden layer sebesar 100% dengan waktu 22.1 detik, dengan rata-rata akurasi

tertinggi sebesar 89.95% dengan rata-rata waktu 19 detik.

Kata Kunci : Klasifikasi, Jenis Pisang, Jaringan Syaraf Tiruan Backpropagation

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

Page 9: KLASIFIKASI JENIS BUAH PISANG DENGAN IMAGE PROCESSING ...repository.usd.ac.id/31630/2/135314126_full.pdf · KLASIFIKASI JENIS BUAH PISANG DENGAN IMAGE PROCESSING MENGGUNAKAN METHODE

ix

CLASSIFICATION OF TYPE OF BANANA FRUITS WITH

IMAGE PROCESSING USING BACKPROPAGATION METHOD

ABSTRACT

The development of technology is currently increasing rapidly which impacts

greatly facilitate the community in many fields. One of the areas affected is industry.

In Indonesia banana is one of the most widely produced fruits. Bananas can be

processed into various types of food, like jam, chips, bread and so forth. Different

results of different processed types of bananas are used. But besides the number of

production, there are still many banana processing done in less efficient. This can be

seen from the selection of types of bananas to be processed is still done manually,

judging by the color and size with the normal eyes. One example of the effects of

current technological developments that have an impact on the field of industry is to

enable a self-learning system such as humans. This technology is called the Artificial

Neural Network. One application is the existence of a system that is able to recognize

the type of banana fruit automatically and provide information about features that are

recognized by the system.

In this study will produce a system that is able to classify types of bananas.

The system to be built implements artificial neural networks for its modelers and uses

feature extraction of mean rgb and standard deviation of rgb, perimeter, breadth,

length, width, roundness, and slackness.

Experiment of banana type classification process with Backpropagation

Neural Network with variation of 2 models, there are traingdx and trainlm and logsig

layer transfer function and purelin output transfer function. The test model used in the

classification process is 5-fold cross validation with the basic variation of epoch,

goal, and learning rate from testing using holdout validation. Based on the

experimental results, the best accuracy with 1 hidden layer of 100% with time of 1.6

seconds with the highest accuracy 89.95% with average time of 6.2 seconds. Then

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

Page 10: KLASIFIKASI JENIS BUAH PISANG DENGAN IMAGE PROCESSING ...repository.usd.ac.id/31630/2/135314126_full.pdf · KLASIFIKASI JENIS BUAH PISANG DENGAN IMAGE PROCESSING MENGGUNAKAN METHODE

x

use 2 hidden layers 100% with time 22.1 seconds, with the highest average accuracy

of 89.95% with an average time of 19 seconds.

Keywords: Classification, Type of Banana, Backpropagation Neural Network

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

Page 11: KLASIFIKASI JENIS BUAH PISANG DENGAN IMAGE PROCESSING ...repository.usd.ac.id/31630/2/135314126_full.pdf · KLASIFIKASI JENIS BUAH PISANG DENGAN IMAGE PROCESSING MENGGUNAKAN METHODE

xi

KATA PENGANTAR

Puji dan syukur penulis panjatkan kepada Tuhan Yesus Kristus atas berkat

rahmat dan karunia-Nya penulis dapat menyelesaikan Tugas akhir ini dengan baik.

Penulis menyadari bahwa dalam penyusunan tugas akhir ini penulis mendapat

banyak masalah dari berbagai macam hadangan dan rintangan yang menghadapi.

Namun dengan datangnya masalah, datang pula dukungan dan doa dari setiap orang

dan berbagai pihak untuk membantu dalam penyelesaian pengerjaan tugas akhir ini.

Dukungan itu ada karna kita mau berusaha, dukungan tersebut bisa datang melalui

kritik, saran, dan perhatian dari setiap orang. Hal inilah yang diperlukan penulis

perlukan dalam penyelesaian tugas akhir ini. Pada kesempatan kali ini penulis

mengucapkan banyak terima kasih kepada banyak pihak yang telah membantu

penyelesaian tugas akhir ini. Terima kasih ini penulis tujukan kepada:

1. Tuhan Yesus Kristus sendiri yang selalu hadir dalam setiap saat dalam

pengerjaan maupun dalam saat malas yang selalu mngingatkan dan memberi

perhatian melalui setiap orang.

2. Drs. Johanes Eka Priyatma, M.Sc., Ph.D. selaku rector Universitas Sanata

Dharma Yogyakarta.

3. Sudi Mungkis, S.Si., M.Match.Sc., Ph.D. selaku Dekan Fakultas Sains dan

Teknologi Universitas Sanata Dharma Yogyakarta.

4. Dr. Cyprianus Kuntoro Adi, SJ.,M.A., M.Sc. selaku dosen pembimbing tugas

akhir yang dengan sabar menunggu, membantu, memberi perhatian kepada

penulis dalam pengerjaan tugas akhir ini.

5. Dr. Anastasia Rita Widiarti M.Kom selaku ketua Program Studi Teknik

Informatika Universitas Sanata Dharma yang selalu memberi dukungan untuk

selalu berusaha dan selalu ada pergerakan dalam penyelesaian tugas akhir

kepada setiap mahasiswa.

6. Paulina Heruningsih Prima Rosa, M.Sc selaku dosen pembimbing akademik

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

Page 12: KLASIFIKASI JENIS BUAH PISANG DENGAN IMAGE PROCESSING ...repository.usd.ac.id/31630/2/135314126_full.pdf · KLASIFIKASI JENIS BUAH PISANG DENGAN IMAGE PROCESSING MENGGUNAKAN METHODE

xii

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

Page 13: KLASIFIKASI JENIS BUAH PISANG DENGAN IMAGE PROCESSING ...repository.usd.ac.id/31630/2/135314126_full.pdf · KLASIFIKASI JENIS BUAH PISANG DENGAN IMAGE PROCESSING MENGGUNAKAN METHODE

xiii

DAFTAR ISI

HALAMAN JUDUL ........................................................................................... i

TITLE PAGE ...................................................................................................... ii

HALAMAN PERSETUJUAN ............................................................................. iii

HALAMAN PENGESAHAN ............................................................................. iv

PERNYATAAN KEASLIAN KARYA ............................................................. v

LEMBAR PENYATAAN PERSETUJUAN PUBLIKASI KARYA ................... vi

ABSTRAK ............................................................................................................ vii

ABSTRACT .......................................................................................................... ix

KATA PENGANTAR ......................................................................................... xi

DAFTAR ISI ...................................................................................................... xiii

DAFTAR GAMBAR ............................................................................................ xvi

DAFTAR RUMUS ............................................................................................... xix

DAFTAR TABLE ................................................................................................. xxi

DAFTAR ALGORITMA .....................................................................................xxii

BAB I. PENDAHULUAN .................................................................................... 1

1.1. Latar Belakang ...................................................................................... 1

1.2. Rumusan Masalah ................................................................................. 6

1.3. Tujuan Penelitian ................................................................................. 6

1.4. Batasan Masalah.................................................................................... 7

1.5. Manfaat Penelitian ............................................................................... 7

1.6. Metode penelitian ................................................................................. 8

1.7. Sistematika Penulisan ........................................................................... 9

BAB II. LANDASAN TEORI .............................................................................. 10

2.1. Pisang ................................................................................................... 10

2.1.1. Jenis-jenis Pisang ....................................................................... 11

2.2. Citra Berwarna ..................................................................................... 12

2.3. Citra Biner ............................................................................................ 14

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

Page 14: KLASIFIKASI JENIS BUAH PISANG DENGAN IMAGE PROCESSING ...repository.usd.ac.id/31630/2/135314126_full.pdf · KLASIFIKASI JENIS BUAH PISANG DENGAN IMAGE PROCESSING MENGGUNAKAN METHODE

xiv

2.4. Operasi Morfologi ................................................................................ 15

2.4.1. Dilasi .......................................................................................... 18

2.5. Perimeter .............................................................................................. 19

2.6. Luas ...................................................................................................... 20

2.7. Kebulatan Bentuk, Kerampingan Bentuk, Panjang dan Lebar ............ 20

2.8. Holdout Validation ............................................................................... 21

2.9. K-Fold Cross Validation ...................................................................... 22

2.10. Jaringan Syaraf Tiruan ......................................................................... 23

2.10.1.Arsitektur Jaringan Syaraf Tiruan ............................................. 23

2.10.2.Fungsi Aktivasi ......................................................................... 25

2.11. Jaringan Syaraf Tiruan Backpropagation ............................................ 26

2.11.1.Arsitektur Jaringan Backpropagation ....................................... 27

2.11.2.Fungsi Aktivasi Backpropagation ............................................. 27

2.11.3.Pelatihan Standar Backpropagation .......................................... 29

BAB III. METODE PENELITIAN ...................................................................... 32

3.1. Data ...................................................................................................... 32

3.2. Peralatan Penelitian ............................................................................... 35

3.3. Cara Penelitian ..................................................................................... 36

3.4. Desain Alat Uji .................................................................................... 45

3.5. Cara Pengujian .................................................................................... 47

BAB IV. IMPLEMENTASI HASIL .................................................................... 53

4.1. Implementasi Sistem ............................................................................ 53

4.2. Hasil dan Analisis Hasil ........................................................................ 62

4.2.1. Pengujian dengan Variasi Jumlah Neuron, Epoch, Goal, dan

Learning Rate ....................................................................................... 63

4.2.2. Implementasi User Interface .................................................... 76

4.2.3 Pengujian Data Tunggal ............................................................ 86

BAB V. PENUTUP .............................................................................................. 88

5.1. Kesimpulan .......................................................................................... 88

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

Page 15: KLASIFIKASI JENIS BUAH PISANG DENGAN IMAGE PROCESSING ...repository.usd.ac.id/31630/2/135314126_full.pdf · KLASIFIKASI JENIS BUAH PISANG DENGAN IMAGE PROCESSING MENGGUNAKAN METHODE

xv

5.2. Saran ...................................................................................................... 89

Daftar Pustaka ....................................................................................................... 90

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

Page 16: KLASIFIKASI JENIS BUAH PISANG DENGAN IMAGE PROCESSING ...repository.usd.ac.id/31630/2/135314126_full.pdf · KLASIFIKASI JENIS BUAH PISANG DENGAN IMAGE PROCESSING MENGGUNAKAN METHODE

xvi

DAFTAR GAMBAR

Gambar 2.1 ........................................................................................................... 13

Gambar 2.2 ........................................................................................................... 14

Gambar 2.3 ........................................................................................................... 15

Gambar 2.4 ........................................................................................................... 19

Gambar 2.5 ........................................................................................................... 23

Gambar 2.6 ........................................................................................................... 24

Gambar 2.7 ........................................................................................................... 27

Gambar 3.1 ........................................................................................................... 32

Gambar 3.2 ........................................................................................................... 33

Gambar 3.3 ........................................................................................................... 33

Gambar 3.4 ........................................................................................................... 33

Gambar 3.5 ........................................................................................................... 34

Gambar 3.6 ........................................................................................................... 37

Gambar 3.7 ........................................................................................................... 38

Gambar 3.8 ........................................................................................................... 39

Gambar 3.9 ........................................................................................................... 40

Gambar 3.10 ......................................................................................................... 41

Gambar 3.11 ......................................................................................................... 41

Gambar 3.12 ......................................................................................................... 41

Gambar 3.13 ......................................................................................................... 43

Gambar 3.14 ......................................................................................................... 44

Gambar 3.15 ......................................................................................................... 46

Gambar 3.16 ......................................................................................................... 48

Gambar 3.17 ......................................................................................................... 50

Gambar 4.1 ........................................................................................................... 53

Gambar 4.2 ........................................................................................................... 53

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

Page 17: KLASIFIKASI JENIS BUAH PISANG DENGAN IMAGE PROCESSING ...repository.usd.ac.id/31630/2/135314126_full.pdf · KLASIFIKASI JENIS BUAH PISANG DENGAN IMAGE PROCESSING MENGGUNAKAN METHODE

xvii

Gambar 4.3 ........................................................................................................... 54

Gambar 4.4 ........................................................................................................... 54

Gambar 4.5 ........................................................................................................... 54

Gambar 4.6 ........................................................................................................... 56

Gambar 4.7 ........................................................................................................... 56

Gambar 4.8 ........................................................................................................... 56

Gambar 4.9 ........................................................................................................... 57

Gambar 4.10 ......................................................................................................... 57

Gambar 4.11 ......................................................................................................... 57

Gambar 4.12 ......................................................................................................... 58

Gambar 4.13 ......................................................................................................... 58

Gambar 4.14 ......................................................................................................... 58

Gambar 4.14 ......................................................................................................... 58

Gambar 4.15 ......................................................................................................... 58

Gambar 4.16 ......................................................................................................... 58

Gambar 4.17 ......................................................................................................... 59

Gambar 4.18 ......................................................................................................... 59

Gambar 4.19 ......................................................................................................... 50

Gambar 4.20 ......................................................................................................... 59

Gambar 4.21 ......................................................................................................... 60

Gambar 4.22 ......................................................................................................... 60

Gambar 4.23 ......................................................................................................... 61

Gambar 4.24 ......................................................................................................... 61

Gambar 4.25 ......................................................................................................... 61

Gambar 4.26 ......................................................................................................... 62

Gambar 4.27 ......................................................................................................... 62

Gambar 4.28 ......................................................................................................... 69

Gambar 4.29 ......................................................................................................... 70

Gambar 4.30 ......................................................................................................... 73

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

Page 18: KLASIFIKASI JENIS BUAH PISANG DENGAN IMAGE PROCESSING ...repository.usd.ac.id/31630/2/135314126_full.pdf · KLASIFIKASI JENIS BUAH PISANG DENGAN IMAGE PROCESSING MENGGUNAKAN METHODE

xviii

Gambar 4.31 ......................................................................................................... 74

Gambar 4.32 ......................................................................................................... 76

Gambar 4.33 ......................................................................................................... 76

Gambar 4.34 ......................................................................................................... 77

Gambar 4.35 ......................................................................................................... 77

Gambar 4.36 ......................................................................................................... 77

Gambar 4.37 ......................................................................................................... 78

Gambar 4.38 ......................................................................................................... 78

Gambar 4.39 ......................................................................................................... 79

Gambar 4.40 ......................................................................................................... 79

Gambar 4.41 ......................................................................................................... 79

Gambar 4.42 ......................................................................................................... 80

Gambar 4.43 ......................................................................................................... 80

Gambar 4.44 ......................................................................................................... 81

Gambar 4.45 ......................................................................................................... 81

Gambar 4.46 ......................................................................................................... 82

Gambar 4.47 ......................................................................................................... 83

Gambar 4.48 ......................................................................................................... 83

Gambar 4.49 ......................................................................................................... 84

Gambar 4.50 ......................................................................................................... 84

Gambar 4.51 ......................................................................................................... 85

Gambar 4.52 ......................................................................................................... 87

Gambar 4.53 ......................................................................................................... 88

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

Page 19: KLASIFIKASI JENIS BUAH PISANG DENGAN IMAGE PROCESSING ...repository.usd.ac.id/31630/2/135314126_full.pdf · KLASIFIKASI JENIS BUAH PISANG DENGAN IMAGE PROCESSING MENGGUNAKAN METHODE

xix

DAFTAR RUMUS

Rumus 2.1 ............................................................................................................. 13

Rumus 2.2 ............................................................................................................. 14

Rumus 2.3 ............................................................................................................. 15

Rumus 2.4 ............................................................................................................. 16

Rumus 2.5 ............................................................................................................. 16

Rumus 2.6 ............................................................................................................. 16

Rumus 2.7 ............................................................................................................. 16

Rumus 2.8 ............................................................................................................. 16

Rumus 2.9 ............................................................................................................. 17

Rumus 2.10 ........................................................................................................... 18

Rumus 2.11 ........................................................................................................... 18

Rumus 2.12 ........................................................................................................... 20

Rumus 2.13 ........................................................................................................... 21

Rumus 2.14 ........................................................................................................... 21

Rumus 2.15 ........................................................................................................... 21

Rumus 2.16 ........................................................................................................... 25

Rumus 2.17 ........................................................................................................... 26

Rumus 2.18 ........................................................................................................... 26

Rumus 2.19 ........................................................................................................... 26

Rumus 2.20 ........................................................................................................... 28

Rumus 2.21 ........................................................................................................... 28

Rumus 2.22 ........................................................................................................... 28

Rumus 2.23 ........................................................................................................... 28

Rumus 2.24 ........................................................................................................... 29

Rumus 2.25 ........................................................................................................... 29

Rumus 2.26 ........................................................................................................... 30

Rumus 2.27 ........................................................................................................... 30

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

Page 20: KLASIFIKASI JENIS BUAH PISANG DENGAN IMAGE PROCESSING ...repository.usd.ac.id/31630/2/135314126_full.pdf · KLASIFIKASI JENIS BUAH PISANG DENGAN IMAGE PROCESSING MENGGUNAKAN METHODE

xx

Rumus 2.28 ........................................................................................................... 30

Rumus 2.29 ........................................................................................................... 30

Rumus 2.30 ........................................................................................................... 30

Rumus 2.31 ........................................................................................................... 31

Rumus 2.32 ........................................................................................................... 31

Rumus 2.33 ........................................................................................................... 31

Rumus 2.34 ........................................................................................................... 31

Rumus 3.1 ............................................................................................................. 52

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

Page 21: KLASIFIKASI JENIS BUAH PISANG DENGAN IMAGE PROCESSING ...repository.usd.ac.id/31630/2/135314126_full.pdf · KLASIFIKASI JENIS BUAH PISANG DENGAN IMAGE PROCESSING MENGGUNAKAN METHODE

xxi

DAFTAR TABEL

Tabel 2.1 ............................................................................................................... 12

Tabel 2.2 ............................................................................................................... 17

Tabel 2.3 ............................................................................................................... 17

Tabel 2.4 ............................................................................................................... 18

Tabel 3.1 ............................................................................................................... 32

Tabel 3.2 ............................................................................................................... 49

Table 4.1 ............................................................................................................... 63

Table 4.2 ............................................................................................................... 66

Table 4.3 ............................................................................................................... 68

Table 4.4 ............................................................................................................... 71

Table 4.5 ............................................................................................................... 73

Table 4.6 ............................................................................................................... 75

Table 4.7 ............................................................................................................... 86

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

Page 22: KLASIFIKASI JENIS BUAH PISANG DENGAN IMAGE PROCESSING ...repository.usd.ac.id/31630/2/135314126_full.pdf · KLASIFIKASI JENIS BUAH PISANG DENGAN IMAGE PROCESSING MENGGUNAKAN METHODE

xxii

DAFTAR ALGORITMA

Algoritma 2.1 ........................................................................................................ 19

Algoritma 2.2 ........................................................................................................ 20

Algoritma 2.3 ........................................................................................................ 29

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

Page 23: KLASIFIKASI JENIS BUAH PISANG DENGAN IMAGE PROCESSING ...repository.usd.ac.id/31630/2/135314126_full.pdf · KLASIFIKASI JENIS BUAH PISANG DENGAN IMAGE PROCESSING MENGGUNAKAN METHODE

1

BAB I

PENDAHULUAN

1.1. Latar Belakang

Dewasa ini Perkembangan teknologi membuat manusia ingin meningkatkan

efektifitas dan efisiensi dalam berbagai bidang, salah satunya dalam bidang pertanian.

Dalam dunia pertanian, kemajuan teknologi sangat dibutuhkan untuk menunjang

kegiatan–kegiatan yang ada pada bidang pertanian, salah satunya dalam pengolahan

hasil pertanian dan perkebunan. Industri pengolahan hasil pertanian dan perkebunan

kini semakin berkembang pesat seiring perkembangan teknologi yang ada khususnya

untuk produksi buah pisang. Di Negara Indonesia sendiri pisang banyak disukai oleh

semua kalangan untuk di konsumsi secara langsung sebagai buah atau diolah menjadi

produk konsumsi lain seperti kripik pisang, roti pisang, selai pisang dan lain

sebagainya. Hal ini dapat dilihat dari produksi pisang di Indonesia terus meningkat.

Menurut Badan Pusat Statistik dan Direktorat Jenderal Hortikultura, produksi pisang

3 tahun terakhir ini terus mengalami perkembangan. Pada tahun 2013 produksi pisang

sebanyak 6.279.279 ton. Dan pada tahun 2014 dan 2015 produksi pisang di Indonesia

mengalami peningkatan yang sangat pesat sekali yakni berturut-turut 6.862.558 ton

dan 7.299.266 ton (Kementrian petanian, 2015). Jadi, dapat dikatakan bahwa

Indonesia berpotensi dalam memproduksi buah pisang.

Meskipun banyaknya produksi pisang di Indonesia, namun tidak seimbang

dengan pengolahan terhadap buah pisang tersebut. Penelitian ini akan mencoba

membantu pihak pengolahan pisang yang masih sedikit, namun powerfull dalam

pengolahan pisang. Pada proses pengolahan buah pisang tersebut, ada beberapa

tahapan sebelum produk yang dihasilkan di distribusikan ke konsumen. Salah satu

tahapannya adalah pemilihan pisang hasil pertanian dan perkebunan sesuai dengan

kebutuhan untuk diolah. Pemilihan jenis buah pisang sangat perlu dilakukan, sebab

berbeda jenis pisang berbeda pula cara pengolahan dan hasil olahanya.

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

Page 24: KLASIFIKASI JENIS BUAH PISANG DENGAN IMAGE PROCESSING ...repository.usd.ac.id/31630/2/135314126_full.pdf · KLASIFIKASI JENIS BUAH PISANG DENGAN IMAGE PROCESSING MENGGUNAKAN METHODE

2

Pemilihan jenis pisang harus sesuai agar dapat diolah oleh produsen sesuai

kebutuhan. Proses pemilihan buah pisang dilakukan berdasarkan bentuk, ukuran, dan

warna pada buah pisang. Pemilihan warna meliputi mean rgb dan standar deviasi

rgb, ukuran meliputi perimeter, luas, dan lebar, sedangkan bentuk meliputi kebulatan

dan kerampingan. Tujuan dari proses pemilihan buah pisang ini untuk memisahkan

buah pisang berdasarkan jenisnya. Petani atau penyeleksi buah pisang umumnya

mengidentifikasi jenis pisang dapat dilihat dari ukuran dan warna kulit nya saja,

karena hal tersebut yang paling mudah untuk dilakukan. Walaupun mudah dilakukan,

pada kenyataannya hal tersebut memiliki permasalahan yang terkadang membuat

proses pemilihan jenis buah pisang kurang optimal, terlebih jika hal tersebut

dilakukan secara manual. Hal tersebut bisa terjadi karena perbedaan persepsi dari

masyarakat tentang penyeleksi buah pisang terhadap faktor komposisi warna, bentuk,

ukuran citra suatu objek berbeda–beda walaupun objek yang dilihat sama persis.

Selain itu, dengan semakin besarnya produksi pisang di Indonesia, maka seharusnya

semakin banyak pula perusahaan atau pabrik untuk mengolah pisang tersebut. Sebuah

pabrik ataupun perusahaan pasti akan mengolah pisang dalam skala yang sangat

besar. Namun terdapat beberapa masalah pada bagian pengolahan pisang dalam skala

besar itu. Salah satunya yakni pada bagian pemilihan jenis pisang. Jika pabrik atau

perusahaan tersebut menggaji karyawan untuk memilih jenis pisang, maka pabrik

tersebut harus menggaji banyak pegawai hanya untuk memperhatikan jenis pisang

secara manual. Dengan banyaknya pegawai maka banyak pula gaji yang harus

dibayar karena banyaknya pegawai tersebut. Hal ini akan membuat pembekakan

biaya pada gaji pegawai. Permasalahan yang ada tersebut terkadang membuat

sebagian masyarakat maupun pabrik kurang puas karena kebutuhan yang diharapkan

tidak sesuai dengan yang dibutuhkan. Sehingga, perlu suatu alternatif yang dapat

membantu mengurangi atau mengatasi permasalahan yang ada.

Berdasarkan permasalahan tersebut diatas, maka perlu diadakan penelitian

tentang implementasi aplikasi untuk mengidentifikasi jenis buah pisang dengan

memanfaatkan pengolahan citra digital (image processing).

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

Page 25: KLASIFIKASI JENIS BUAH PISANG DENGAN IMAGE PROCESSING ...repository.usd.ac.id/31630/2/135314126_full.pdf · KLASIFIKASI JENIS BUAH PISANG DENGAN IMAGE PROCESSING MENGGUNAKAN METHODE

3

Jenis buah pisang yang digunakan ialah sebanyak 5 jenis buah pisang, diantaranya

pisang raja, pisang kapas, pisang mas, pisang susu, dan pisang ambon. Alasan

memilih pisang ini ialah karena pisang ini sering ditemui di Indonesia khususnya di

daerah Yogyakarta sendiri. Penelitian ini dilakukan karena dapat menjadi salah satu

alternatif teknologi untuk dapat membantu mengurangi atau mengatasi permasalahan

yang ada. Membangun sebuah aplikasi untuk mengidentifikasi jenis buah pisang

perlu mengkombinasikan beberapa bidang ilmu seperti pengolahan citra digital

(image processing) dan Jaringan Saraf Tiruan (JST). Pengolahan citra digital (image

processing) merupakan teknik untuk mengolah citra suatu objek secara digital yang

mana setelah melalui proses pengolahan akan didapatkan suatu informasi yang dapat

diolah oleh komputer untuk berbagai kebutuhan. Hal ini nantinya dapat diterapkan

pada saat mengolah citra digital dari bentuk, ukuran, dan warna pisang dalam

klasifikasi jenis buah pisang. Untuk mengidentifikasi objek citra digital buah pisang

dengan pengelompokan jenis buah pisang perlu bantuan bidang ilmu yang lainnya

yaitu Jaringan Saraf Tiruan (JST). Secara umum JST merupakan suatu bidang ilmu

yang mempelajari tentang teknik mengolah data agar dapat digunakan untuk

memberikan suatu indikasi tertentu yang bermanfaat. Dalam JST terdapat banyak

teknik atau methode dalam mengolah suatu data salah satunya Backpropagation.

Methode backpropagation memang sudah sangat sering digunakan sebagai

methode untuk pengujian yang berhubungan dengan buah, hal ini seperti beberapa

percobaan yang dilakukan sebelumnya, diantaranya:

1. “Pemrosesan Citra Digital untuk Klasifikasi Mutu Buah Pisang

Menggunakan Jaringan Saraf Tiruan” yang dilakukan oleh Yanuar Puti

Wiharja dan Agus Harjoko dengan akurasi yang diperoleh sebesar 94%

(2014).

2. “Identifikasi Kematangan Buah Tomat Menggunakan Backpropagation”

yang dilakukan oleh Deswari D., Hendrick M.T., Derisma M.T, diperoleh

akurasi sebesar 85% (2013).

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

Page 26: KLASIFIKASI JENIS BUAH PISANG DENGAN IMAGE PROCESSING ...repository.usd.ac.id/31630/2/135314126_full.pdf · KLASIFIKASI JENIS BUAH PISANG DENGAN IMAGE PROCESSING MENGGUNAKAN METHODE

4

3. “Prediksi Jumlah Produksi Roti Menggunakan Methode Backpropagation”

yang dilakukan oleh Dhesa Ardhiyanta dengan akurasi yang diperoleh sebesar

74,88% (2016).

4. “Identifikasi Bentuk Biji Kopi Menggunakan Deskriptor Bentuk Dasar Dan

Jaringan Saraf Tiruan” yang dilakukan oleh Daniel Eka Putra Risamasu

dengan akurasi yang dihasilkan sebesar 97,35% (2017).

Dari percobaan yang dilakukan sebelumnya dapat dikatakan bahwa methode

backpropagation sangat baik digunakan untuk klasifikasi jenis buah pisang ini.

Adapun hal-hal yang membedakan penelitian yang akan dibuat ini dengan penelitian

sebelumnya dapat dilihat dari pre-rocessing, ektraksi ciri dan klasifikasi jenis pisang.

Dari sebuah pisang ini akan dilakukan pengklasifikasian terhadap jenis pisang

berdasarkan bentuk, ukuran, dan warna dari buah pisang ini.

Pada penelitian ini penulis menggunakan ektraksi ciri berupa mean dari RGB dan

standar deviasi dari RGB berdasarkan beberapa penelitian yang sudah dilakukan

diantaranya:

1. “Klasifikasi Daun Tanaman The Obroma Cacao Menggunakan Metode

Neural Network” yang dilakukan oleh Endi pertama, Andri Suherman, dan

Alief Maulana mengguanakan ektraksi ciri berupa mean, standar deviasi,

kurtois, skewness dan entropy, dengan hasil akurasi daun rusak parah 83%,

daun rusak sedang 96% dan daun sehat sebesar 86%.

2. “Analisis Distribusi Intensitas RGB Citra Digital untuk Klasifikasi Kualitas

Biji Jagung Mengguanakan Jaringan Syaraf Tiruan” yang dilakukan oleh

M.Arief Bustomi dan Ahmad Zaki Dzulfikar menggunakan ekstraksi ciri

mean dan standar deviasi RGB dengan hasil akurasi 100% untuk pelatihan

dan 73% untuk pengujian.

Selain itu ektraksi ciri berupa bentuk (kebulatan dan kerampingan) dan ukuran

(perimeter, luas, panjang, dan lebar) berdasarkan beberapa penelitan pula,

diantaranya:

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

Page 27: KLASIFIKASI JENIS BUAH PISANG DENGAN IMAGE PROCESSING ...repository.usd.ac.id/31630/2/135314126_full.pdf · KLASIFIKASI JENIS BUAH PISANG DENGAN IMAGE PROCESSING MENGGUNAKAN METHODE

5

1. “Klasifikasi Buah Mangga Berdasarkan Bentuk dan Warna Dengan Metode

Currvelet” dilakukan oleh Marshalina, Bambang Hidayat dan Suryo Adhi

Wibowo menggunakan bentuk dan ukuran citra menghasilkan akurasi

tertinggi yakni 97%.

2. “Segmentasi Buah Mengguanakan Metode K-Means Clustering Dan

Identifikasi Kematangannya Menggunakan Metode Perbandingan Kadar

Warna” dilakukan oleh Andri, Paulus, Ng Poi Wong dan Toni Gunawan

menggunakan perimeter, kebulatan dan informasi nilai kadar warna, diperoleh

akurasi sebesar 93, 89 %.

Kemudian penelitian ini menggunakan holdout validation pada percobaan 1 dan 2

sebagai pembagian data secara acak dari 5 jenis pisang, pembagian tersebut meliputi

data testing dan training. Pembagian data menggunakan holdout validation ini sudah

pernah dilakukan beberapa penelitian lain diantaranya:

1. “Predicting The Physiological Response Of Tivela Stultorum Hearts With

Digoxin From Cardiac Parameters Using Artificial Neural Networks”

dilakukan oleh Dora-Luz Flores, Claudia Gomez, David Cervantes, Alberto

Abaroa, Carlos Castro, dan Ruben A. Castaneda-Martinez menggunakan

holdout validation diperoleh akurasi tertinggi yakni 99,42%.

2. “Perbandingan Metode Probabilistik Naïve Bayesian Classifier dan Jaringan

Syaraf Tiruan Learning Vector Quantization dalam Kasus Klasifikasi

Penyakit Kandungan” dilakukan oleh Praditio Adityya Nugraha, Ristu

Saptono, dan Meiyanto Eko Sulistyo menggunakan holdout validation

menghasilkan akurasi sebesar 95,2%.

3. “ANN Model Selection Evaluation For Lightning Prediction System”

dilakukan oleh D. Johari, T.K.A. Rahman dan I. Musirin menggunakan

holdout validation didapat akurasi sebesar 80,3 %.

Selain holdout validation, penelitian ini menggunakan k-fold validation sebagai

percobaa terakhir. K-fold validation akan membagi data menjadi 5 bagian, dan 5

bagian tersebut akan diuji satu per satu untuk mencari akurasi tertinggi.

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

Page 28: KLASIFIKASI JENIS BUAH PISANG DENGAN IMAGE PROCESSING ...repository.usd.ac.id/31630/2/135314126_full.pdf · KLASIFIKASI JENIS BUAH PISANG DENGAN IMAGE PROCESSING MENGGUNAKAN METHODE

6

Adapun k-fold validation ini sudah pernah dilakukan di beberapa penelitian lain

seperti:

1. “Prediksi Jumlah Produksi Roti Menggunakan Methode Backpropagation”

yang dilakukan oleh Dhesa Ardhiyanta dengan akurasi yang diperoleh sebesar

74,88% (2016).

Penelitian ini nantinya diharapkan dapat memberikan solusi terhadap

permasalahan yang ada pada pengolahan hasil pertanian dan perkebunan. Khususnya

pada proses pemilihan buah pisang berdasarkan tingkat kematangannya. Sehingga

pengimplementasian aplikasi pada penelitian ini dapat membantu dalam pengolahan

hasil pertanian dan perkebunan sesuai kebutuhan konsumen secara cepat, tepat dan

efisien.

1.2. Rumusan Masalah

Berdasarkan latar belakang tersebut maka permasalahan dalam penelitian ini

dapat dirumuskan sebagai berikut:

1. Bagaimana methode backpropagation mampu mengklasifikasi berbagai jenis

pisang dengan baik?

2. Berapa akurasi klasifikasi jenis pisang menggunakan methode

backpropogation?

1.3. Tujuan

Tujuan dilakukannya penelitian ini adalah sebagai berikut:

1. Untuk mengetahui bahwa methode backpropagation dapat

mengklasifikasi pisang dengan baik.

2. Untuk mengetahui akurasi dalam klasifikasi jenis pisang dengan

methode backpropagation.

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

Page 29: KLASIFIKASI JENIS BUAH PISANG DENGAN IMAGE PROCESSING ...repository.usd.ac.id/31630/2/135314126_full.pdf · KLASIFIKASI JENIS BUAH PISANG DENGAN IMAGE PROCESSING MENGGUNAKAN METHODE

7

1.4. Batasan Masalah

Agar pembahasan dalam penelitian ini tidak terlalu luas, maka penelitian ini

dibatasi dengan masalah-masalah sebagai berikut:

1. Jenis pisang yang digunakan ada 5 jenis, yakni: ambon, kapas, mas, raja, dan

susu.

2. Input gambar berformat JPG dengan background hitam.

3. Analisis pengolahan citra dan metode jaringan saraf tiruan yang

dikembangkan menggunakan bahasa pemrograman Matlab.

4. Objek pisang dibedakan berdasarkan warna (RGB) yang meliputi mean dan

standart deviasi dari RGB. Bentuk meliputi kebulatan dan kerampingan, dan

ukuran yang meliputi perimeter, luas, panjang dan lebar.

5. Gambar diambil dengan kamera smartphone berukuran 13 mp dengan jarak

20 cm.

1.5. Manfaat Penelitian

Manfaat yang didapat dari penelitian ini adalah sebagai berikut:

1. Penelitian ini diharapkan dapat mempermudah pekerjaan.

2. Penelitian ini diharapkan mampu mempersingkat waktu dalam pemilihan jenis

pisang.

3. Penelitian ini diharapkan dapat membantu mengurangi kesalahan dalam

pemilihan pisang.

4. Penelitian ini diharapkan bisa menjadi dasar bagi penelitian lain terkait

klasifikasi.

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

Page 30: KLASIFIKASI JENIS BUAH PISANG DENGAN IMAGE PROCESSING ...repository.usd.ac.id/31630/2/135314126_full.pdf · KLASIFIKASI JENIS BUAH PISANG DENGAN IMAGE PROCESSING MENGGUNAKAN METHODE

8

1.6. Metode Penelitian

Adapun methode penelitian yang dilakukan ialah sebagai berikut:

1. Planning

Penyusunan jadwal atau rencana seputar pengambilan data, pembuatan

sistem, pengolahan, dan hasil akhir dan semua yang berhubungan dengan

proposal ini.

a. Studi Pustaka

Melakukan pencarian dan membaca serta mempelajari peneltian

sebelum sebelumnya yang berhubungan dengan proposal, baik itu di

perpustakaan Universitas Sanata Dharma maupun di tempat lain.

2. Analisis

Analisys System (Analisa System), dilakukan analisa tentang system dan

data-data yang akan digunakan disertai pengambilan data.

a. Observasi

Melakukan observasi/survey seperti pasar atau market untuk

menganalisa data yang berhubungan dengan proposal dan mengadakan

pencatatan secara sistematis mengenai hasil pengamatan maupun

pengambilan gambar sebagai data.

3. Desain

Desain (Perancangan), merancangan sistem berdasarkan data-data yang

telah dikumpulkan pada tahap sebelumnya.

4. Implementasi

Implementasi penerapkan /pelaksanaan sistem yang telah selesai dibangun

dan dilakukan traning dan testing.

5. Penarikan kesimpulan dan Evaluasi

Setelah semuanya selesai dilakukan penarikan kesimpulan dan melakukan

evaluasi atashasil kerja untuk disempurnakan kembali.

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

Page 31: KLASIFIKASI JENIS BUAH PISANG DENGAN IMAGE PROCESSING ...repository.usd.ac.id/31630/2/135314126_full.pdf · KLASIFIKASI JENIS BUAH PISANG DENGAN IMAGE PROCESSING MENGGUNAKAN METHODE

9

1.7. Sistematika Penulisan

Sistematika penulisan proposal ini ialah sebagai berikut:

BAB I PENDAHULUAN

Bab ini berisi tentang pembahasan Latar Belakang Masalah, Rumusan

Masalah, Tujuan Penelitian, Batasan Masalah, Manfaat Penelitian, Metode Penelitian

serta Sistematika Penulisan.

BAB II LANDASAN TEORI

Bab ini terdiri dari beberapa sub bab yang menjelaskan tentang konsep dasar

sistem meliputi teori dari topik pembahasan skripsi ini yang menunjang dalam

pemecahan masalah yang dianggap relevan dengan permasalahannya. Menjelaskan

konsep dasar sistem, metode pengembangan sistem, karakterristik, klasifikasi, dan

penjelasan tentang peralatan.

BAB III ANALISIS SISTEM

Bab ini menjelaskan tentang sistem yang sudah berjalan pada jurusan Sistem

informasi, prosedur sistem berjalan meliputi jalannya sistem yang disesuaikan dengan

ruang lingkup, spesifikasi system berjalan yang meliputi bentuk dokumen input dan

output, permasalahan atau kendala yang terjadi di dalam sistem berjalan dan

alternative pemecahan masalah yang dihadapi oleh sistem tersebut.

BAB IV IMPLEMENTASI DAN ANALISIS HASIL

Bab ini akan membahas mengenai implementasi dan analisis hasil.

Implementasi dan analisis hasil meliputi hasil penelitian dan analisa, implementasi

user interface yang meliputi menu utama, pengujian, pengenalan, dan bantuan.

BAB V PENUTUP

Bab ini akan dibahas mengenai kesimpulan dan saran setelah dilakukan

penelitian.

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

Page 32: KLASIFIKASI JENIS BUAH PISANG DENGAN IMAGE PROCESSING ...repository.usd.ac.id/31630/2/135314126_full.pdf · KLASIFIKASI JENIS BUAH PISANG DENGAN IMAGE PROCESSING MENGGUNAKAN METHODE

10

10

BAB II

LANDASAN TEORI

Pada bab ini akan dibahas mengenai teori -teori yang digunakan untuk

mendukung penulisan tugas akhir klasifikasi jenis buah pisang dengan image

processing menggunakan metode backpropagation. Bagian pertama akan

menjelaskan secara singkat mengenai pisang dan jenis-jenis pisang yang akan

digunakan untuk penulisan tugas akhir ini. Terdapat pula beberapa teori yang akan

dibahas mencakup pengertian dasar jaringan syaraf tiruan dan metode jaringan

syaraf tiruan backpropagation.

2.1. Pisang

Pisang merupakan nama umum yang diberikan pada tumbuhan raksasa berdaun

besar memanjang dari suku Musaceae. Beberapa jenisnya (Musa acuminata, M.

balbisiana, dan M. ×paradisiaca) menghasilkan buah konsumsi yang dinamakan

pisang. Buah ini tersusun dalam tandan dengan kelompok-kelompok tersusun

menjari, yang disebut sisir (KBBI, 2016). Hampir semua buah pisang memiliki kulit

berwarna kuning ketika matang, meskipun ada beberapa yang berwarna jingga,

merah, hijau, ungu, atau bahkan hampir hitam. Buah pisang sebagai bahan pangan

merupakan sumber energi (karbohidrat) dan mineral, terutama kalium. Laura Flores,

seorang ahli gizi berbasis di San Diego mengatakan bahwa “pisang mengandung

banyak kalium dan pektin”. Kandungan kalium yang terkandung dalam buah ini

mampu menurunkan tekanan darah, menjaga kesehatan jantung, dan memperlancar

pengiriman oksigen ke otak. Pisang bisa menjadi pengganti makanan pokok, seperti

dengan diolah menjadi selai sebagai bahan campuran roti atau dapat diolah menjadi

roti, sehingga mengurangi ketergantungan rakyat Indonesia terhadap beras. Perlu

disadari, istilah "pisang" juga dipakai untuk sejumlah jenis yang tidak menghasilkan

buah konsumsi, seperti pisang abaka, pisang hias, dan pisang kipas.

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

Page 33: KLASIFIKASI JENIS BUAH PISANG DENGAN IMAGE PROCESSING ...repository.usd.ac.id/31630/2/135314126_full.pdf · KLASIFIKASI JENIS BUAH PISANG DENGAN IMAGE PROCESSING MENGGUNAKAN METHODE

11

Ada banyak jenis pisang di Indonesia, namun pada kali ini hanya akan dibahas

mengenai 5 jenis pisang saja, yakni pisang raja, pisang kapas, pisang mas, pisang

susu, pisang ambon.

2.1.1. Jenis-Jenis Pisang

Di Indonesia, terdapat banyak jenis pisang. Namun yang akan dijelaskan

dalam bagian ini adalah 5 jenis pisang yakni raja, kapas, mas, susu, dan ambon

karena sebagai semple yang digunakan dalam penelitian ini. Penulis memperoleh

sedikit ilmu tentang jenis-jenis pisang dan ciri fisik pisang yang akan dijadikan objek

penelitian dari beberapa artikel. Pada bagian ini akan dibahas mengenai jeni-jenis

pisang yang digunakan sebagai data untuk tugas akhir ini. Adapun jenis pisang

tersebut dijelaskan sebagai berikut (JITUNEWS.COM, 2015 dan RHIN

Biotechnology, 2015) :

1. Pisang Raja

Pisang raja memiliki ciri-ciri fisik luar seperti: buah yang melengkung

sedikit keatas, kulitnya tebal namun sedikit kasar. Selain itu jenis pisang ini

memiliki ukuran yang tidak terlalu besar maupun kecil. Ciri lainnya dari

pisang raja adalah apabila belum masak atau matang makan pisang ini

berwarna hijau dan kemudian berubah warna menjadi kuning keemasan.

2. Pisang Kapas

Pisang kapasmemiliki ciri fisik luar seperti ukuran buah mencapai

mencapai 6 cm dengan bentuk kulit yang cukup tebal dan berwarna kuning

dengan sedikit berbintik hitam.

3. Pisang Mas

Pisang mas cenderung memiliki ukuran yang kecil, jika matang akan

berwarna kuning bersih. Pisang mas ini memiliki berkulit tipis. Ukuran pisang

memiliki ukuran sekitaran 10 cm.

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

Page 34: KLASIFIKASI JENIS BUAH PISANG DENGAN IMAGE PROCESSING ...repository.usd.ac.id/31630/2/135314126_full.pdf · KLASIFIKASI JENIS BUAH PISANG DENGAN IMAGE PROCESSING MENGGUNAKAN METHODE

12

4. Pisang Susu

Pisang susu memiliki ukuran yang kecil, panjangnya sekitar 10-15 cm,

berdiameter 3-4 cm. Kulit buah pisang ini terbilang tipis, jika matang pisang

susu berwarna kuning kecoklatan dengan bintik-bintik cokelat kehitaman.

Berar pisang susu ini rata-rata 60g/buah-nya.

5. Pisang Ambon

Pisang ambon adalah salah satu jenis buah pisang yang dagingnya tebal,

berwarna putih kekuning-kuningan, bentuk buah yang melengkung sedikit

keatas, kulitnya kehijau-hijauan sampai kuning. Pisang ambon memiliki

ukuran buah cenderung lebih besar dibanding pisang lainnya, kulitnya

berwarna agak kehijauan seperti lumut sedangkan dagingnya jika sudah

matang berwarna putih.

2.2. Citra Berwarna

Citra berwarna atau biasa dinamakan citra RGB, merupakan jenis citra yang

menyajikan warna dalam bentuk komponen R (merah), G (green), B (biru). Setiap

komponen warna menggunakan delapan bit (nilainya berkisar antara 0 sampai dengan

255). Dengan demikian kemungkinan warna yang dapat disajikan mencapai 255 x

255 x 255 atau 16.581.375 warna (Abdul dan Adhi, 2013). Table 2.4 menunjukan

contoh warna dan nilai R, G, B.

Tabel 2.1 Warna dan nilai penyusun warna

Warna R G B

Hijau 255 0 0

Merah 0 255 0

Biru 0 0 255

Hitam 0 0 0

Putih 255 255 255

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

Page 35: KLASIFIKASI JENIS BUAH PISANG DENGAN IMAGE PROCESSING ...repository.usd.ac.id/31630/2/135314126_full.pdf · KLASIFIKASI JENIS BUAH PISANG DENGAN IMAGE PROCESSING MENGGUNAKAN METHODE

13

Model RGB biasa disajikan dalam bentuk kubus tiga dimensi, dengan warna merah,

hijau, biru berada di pojok sumbu (gambar 2.1). Warna hitam berada pada titik asal

dan warna putih berada di sumbu kubur yang bersebrangan

Gambar 2.1 Skema ruang warna RGB dalam bentuk kubus

Fitur warna dapat diperoloeh melalui perhitungan statistic seperti rerata dan

deviasi standar (Martinez dan Martinez, 2002). Sebagai contoh fitur-fitur tersebut

dapat digunakan untuk kepentingan identifikasi maupun klasifikasi. Perhitungan

dikenakan pada setiap komponen R, G, dan B.

Rerata memberikan ukuran mengenai distribusi dan dihitung dengan menggunakan

rumus:

μ =1

𝑀𝑁∑ ∑ 𝑃𝑖𝑗

𝑛𝑗=1

𝑀i=1 ……………………………………………………………(2.1)

Magenta

Biru

Putih

Cyan

(0, 1, 0)

G

Hijau

Kuning

Hitam

(1, 0, 0)

Merah

R

B

Aras

keabuan

(0, 0, 1)

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

Page 36: KLASIFIKASI JENIS BUAH PISANG DENGAN IMAGE PROCESSING ...repository.usd.ac.id/31630/2/135314126_full.pdf · KLASIFIKASI JENIS BUAH PISANG DENGAN IMAGE PROCESSING MENGGUNAKAN METHODE

14

Varians menyatakan luas sebaran distribusi. Akar kuadrat varians dinamakan sebagai

deviasi standar. Adapun rumus yang digunakan untuk menghitungnya sebagai

berikut:

𝜎 = √1

𝑀𝑁∑ ∑ (𝑃𝑖𝑗 − 𝜇)

2𝑁𝑗=1

𝑀𝑖=1 ………………………………………………….(2.2)

2.3. Citra Biner

Citra biner (binary image) adalah citra yang hanya mempunyai dua nilai

derajat keabuan yaitu hitam dan putih. Meskipun saat ini citra berwarna lebih disukai,

namun pada beberapa aplikasi citra biner masih dibutuhkan, misalnya pada

pengolahan citra dalam menentukan jenis pisang seperti yang akan dibahas dalam

penelitian ini. Citra biner hanya mempunyai dua nilai derajat keabuan yaitu hitam

dan putih. Pixel-pixel objek bernilai 1 dan pixel-pixel lattar belakang bernilai 0. Pada

saat menampilkan gambar, 0 adalah putih dan 1 adalah hitam (Abdul dan Adhi,

2013). Jadi pada citra biner, latar belakang berwarna putih sedangkan objek berwarna

hitam. Sebagai contoh gambar dibawah ini dengan threshold 0,7.

Gambar 2.2 Pisang hasil biner

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

Page 37: KLASIFIKASI JENIS BUAH PISANG DENGAN IMAGE PROCESSING ...repository.usd.ac.id/31630/2/135314126_full.pdf · KLASIFIKASI JENIS BUAH PISANG DENGAN IMAGE PROCESSING MENGGUNAKAN METHODE

15

2.4. Operasi Morfologi

Morphologi adalah teknik pengolahan yang umum dikenakan pada citra biner

(hitam-putih) untuk mengubah struktur bentuk objek yang terkandung didalam citra.

Nilai dari setiap pixel dalam citra digital hasil diperoleh melalui proses perbandingan

antara pixel yang bersesuaian pada citra digital masukan dengan pixel tetangganya.

Operasi morphologi bergantung pada urutan kemunculan dari pixel, tidak

memperhatikan nilai numeric dari pixel sehingga teknik morphologi sesuai apabila

digunakan untuk melakukan pengolahan binary image dan grayscale image. Inti

operasi morfologi melibatkan dua larikkk piksel. Larik pertama berupa citra yang

akan dikenali operasi morfologi, dan larik kedua dinamakan kernel atau structuring

element (element penstruktur) (Shih, 2009 dari Abdul dan Adhi, 2013).

0 1 0

1 1 1

0 1 0

Gambar 2.3 Contoh beberapa kernel

Beberapa contoh kernel ditunjukan gambar diatas, dari contoh tersebut, piksel

pusat (biasa dinamakan hotspot) ditandai warna berbeda dari sekitarnya. Piksel ini

menjadi pusar dalam melakukan operasi terhadap citra.

1. Teori himpunan

Pada kali ini misalkan terdapat himpunan A yang berada didalam bidang Z²

(berdimensi dua) apabila a = (a1, a2) adalah suatu element atau anggota

didalam A, maka a ditulis menjadi

(berdimensi dua) apabila a = (a1, a2) adalah suatu element atau anggota

didalam A, maka a ditulis menjadi

a ϵ A………………………………………………………………………(2.3)

1 1 1 1 1

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

Page 38: KLASIFIKASI JENIS BUAH PISANG DENGAN IMAGE PROCESSING ...repository.usd.ac.id/31630/2/135314126_full.pdf · KLASIFIKASI JENIS BUAH PISANG DENGAN IMAGE PROCESSING MENGGUNAKAN METHODE

16

Arti notasi diatas ,a dalah anggota himpunan A. kebalikannya jika bukan

maka ditulis sebagai berikut:

a ϵ A……………………………………………………………………….(2.4)

Notasi ϕ terdapat dalam pembicaraan himpunan. Symbol tersebut menyatakan

himpunan kosong, yakni himpunan yang tidak memiliki anggota. Misalnya A

dan B adalah himpunan dan setiap anggota himpunan B merupakan anggota A

dikatakan bahwa B adalah subhumpunan A. notasi yang digunakan ialah:

B A……………………………………………………………………...(2.5)

Union adalah penggabungan dari dua himpunan, sebagai contoh:

C = A ᴗB………………………………………………………………….(2.6)

Menyatakan bahwa C memiliki angota berupa semua anggotan A ditambah

dengan semua anggota B.

Interseksi menyatakan operasi yang menghasilkan himpunan semua anggota

yang terdapat di kedua himpunan, sebagai contoh:

C = A ᴖ B…………………………………………………………………(2.7)

Menyatakan C berisi anggota-anggota yang ada di himpunan A dan terdapat

di himpunan B.

Komplement himpunan A biada dinotasikan dengan 𝐴𝑐 dan menyatakan

semua element yang tidak terdapat pada A. secara sistematis ditulis sebagai

berikut:

𝐴𝑐 = 𝑤 | 𝑤 ∈ 𝐴……………………...……………………………………(2.8)

Notasi diatas dibaca “semua element yang tidak menjadi anggota A”

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

Page 39: KLASIFIKASI JENIS BUAH PISANG DENGAN IMAGE PROCESSING ...repository.usd.ac.id/31630/2/135314126_full.pdf · KLASIFIKASI JENIS BUAH PISANG DENGAN IMAGE PROCESSING MENGGUNAKAN METHODE

17

Komplemen atau juga disebut invers dapat dibayangkan seperti saling

menukarkan warna hitam dan putih, nilai 0 diganti 1 dan 1 diganti 0.

Operasi selisih dua himpunan dapat ditulis seperti berikut:

A – B = { w | w ϵ A, w ϵ B} A ᴖ B𝑐……………………………………...(2.9)

2. Operasi Nalar

Operasi nalar didasarkan pada aljabar boolean. Sebagaimana diketahui

aljabar boolean adalah pendekatan matematis yang berhubungan dengan nilai

kebenaran (benar atau salah). Ada 3 operasi nalar dasar yang akan dibahas,

yaitu AND, OR, NOT. Table kebenarannya bisa dilihat sebagai berikut:

Tabel 2.2 Table kebenaran AND dan OR

Masukan 1 Masukan 2 AND OR

0 0 0 0

0 1 0 1

1 0 0 1

1 1 1 1

Operasi AND melibatkan 2 masukan danmempunyai sifat bahwa operasinya

bernilai 1hanya jika kedua masukan bernilai 1. Operasi OR, hasil serupa 1 jika

ada masukan bernilai 1.

Tabel 2.3 Table kebenaran NOT

Masukan Keluaran

1 0

0 1

Operasi NOT melibatkan 1 masukan, hadil NOT berupa 1 jika masukan

berupa 0, dan 0 jika masukan berupa 1.

Tabel 2.4 Table kebenaran XOR dan NAND

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

Page 40: KLASIFIKASI JENIS BUAH PISANG DENGAN IMAGE PROCESSING ...repository.usd.ac.id/31630/2/135314126_full.pdf · KLASIFIKASI JENIS BUAH PISANG DENGAN IMAGE PROCESSING MENGGUNAKAN METHODE

18

Masukan 1 Masukan 2 XOR NAND

0 0 0 1

0 1 1 1

1 0 1 1

1 1 0 0

Selain itu ada operator lain yang terkadang digunakan yakni, XOR dan

NAND.

Operasi morphologi standar yang dilakukan adalah proses erosi dan dilasi,

namun terdapat operasi lain yakni opening dan closing. Pada kali ini penulis

menggunakan dilasi.

2.4.1. Dilasi

Dilasi adalah operasi morphologi yang akan menambahkan pixel pada batas

antar objek dalam suatu citra digital. Secara rinci Dilasi merupakan suatu proses

menambahkan piksel pada batasan dari objek dalam suatu image sehingga nantinya

apabila dilakukan operasi ini maka image hasilnya lebih besar ukurannya

dibandingkan dengan image aslinya (Abdul dan Adhi, 2013). Operasi ini dirumuskan

seperti berikut(Gonzales dan Woods, 2002):

A B = {𝑧| [(�̂�)𝑧

∩ 𝐴] ₫𝐴}…………………………………………………….(2.10)

Dalam hal ini,

a. �̂� = { w | w = -b, untuk b ϵ B}

b. (𝐵)𝑧 = {c | c = a + z, untuk a ϵ A}

c. 𝑧 = (𝑧1, 𝑧2)

Burger dan Burge (2008) mendefinisikan operasi dilasi ebagai berikut:

A B = { z | z = a + b, dengan a ϵ A dan b ϵ B}………………………………..(2.11)

Hasil dilasi berupa penjumlahan seluruh pasangan koordinat dari A dan B. Dibawah

ini merupakan contoh hasil dilasi dengan element penstruktur 7.

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

Page 41: KLASIFIKASI JENIS BUAH PISANG DENGAN IMAGE PROCESSING ...repository.usd.ac.id/31630/2/135314126_full.pdf · KLASIFIKASI JENIS BUAH PISANG DENGAN IMAGE PROCESSING MENGGUNAKAN METHODE

19

Gambar 2.4 pisang hasil dilasi

2.5. Perimeter

Perimeter atau keliling menyatakan panjang tepi suatu objek (Abdul dan

Adhi, 2013) adapun algoritmanya sebagai berikut:

Algoritma 2.1-Estimasi Perimeter

Masukan : F (M,N) : citra masukan berukuran M baris dan N kolom

Keluaran : perimeter

1. Peroleh citra biner.

2. Kenakan algoritma deteksi tepi.

3. Perimeter = jumlah piksel pada tepi objek hasil langkah 2.

2.6. Luas

Luas merupakan hal penting untuk mengenali suatu objek. Cara sederhana

untuk menghitung luas suatu objek adalah dengan cara menghitung jumlah piksel

pada objek tersebut (Abdul dan Adhi, 2013). Algoritmanaya sebagai berikut:

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

Page 42: KLASIFIKASI JENIS BUAH PISANG DENGAN IMAGE PROCESSING ...repository.usd.ac.id/31630/2/135314126_full.pdf · KLASIFIKASI JENIS BUAH PISANG DENGAN IMAGE PROCESSING MENGGUNAKAN METHODE

20

Algoritma 2.2-Hitung luas objek

Masukan : f(m,n): citra masukan berukuran M baris dan N kolom.

Keluaran : luas

Luas = 0

For p = 1 to m

For j = 1 to n

If piksel (p,q) dalam objek

Luas = luas + 1

End if

End for

End for

2.7. Kebulatan Bentuk, Kerampingan Bentuk, Panjang, dan Lebar

Dari semua penjelasan diatas dapat, fitur-fitur diatas dapat diturunkan menjadi

beberapa fitur lagi, diantaranya:

1. Kebulatan bentuk

Kebulatan bentuk adalah perbandingan antara luas objek dan kuadrat

perimeter (Abdul dan Adhi, 2013) yang dinyatakan dengan rumus seperti beikut:

Kebulatan = 4𝜋𝐴(𝑅)

𝑃²(𝑅)………………..………………………………………(2.12)

Hasilnya berupa nilai ≤ 1. Nilai 1 menyatakan objek R berbentuk lingkaran.

Terkadang, future ini dinamakan kekompakan (Lee dan Chen, 2003 dari Abdul

dan Adhi, 2013)

2. Kerampingan bentuk

Kerampingan bentuk adalah perbandingan antara lebar dan panjang yang

dinyatakan dengan rumus sebagai berikut:

Kerampingan = 𝑙𝑒𝑏𝑎𝑟

𝑝𝑎𝑛𝑗𝑎𝑛𝑔……………………………………………………...(2.13)

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

Page 43: KLASIFIKASI JENIS BUAH PISANG DENGAN IMAGE PROCESSING ...repository.usd.ac.id/31630/2/135314126_full.pdf · KLASIFIKASI JENIS BUAH PISANG DENGAN IMAGE PROCESSING MENGGUNAKAN METHODE

21

Panjang adalah panjang objek dan lebar adalah lebar objek. Fitur ini terkadang

disebut rasio aspek (Wu, dkk., 2007 dari Abdul dan Adhi, 2013)

Menghitung gradient garis dengan rumus:

grad1 = (𝑦2𝑦1)

(𝑥2𝑥1)……………………………………………….…………...(2.14)

Garis tegak lurus dengan garis gradient sebesar grad1 mempunyai gradient

sebesar:

Grad2 = - 1

𝑔𝑟𝑎𝑑1……………………………………………….………...(2.15)

2.8. Holdout Validation

Pada kondisi terbatasnya data yang digunakan untuk training dan testing,

diperlukan metode untuk mendapatkan hasil tingkat akurasi dari sebuah metode pada

machine learning. Salah satu cara untuk validasi adalah dengan menggunakan

metode holdout. Metode holdout adalah metode yang akan menyediakan sejumlah

data untuk digunakan sebagai data testing, dan sisanya sebagai data training. Saat

proses pengacakan data untuk dibagi sebagai data training dan testing, sangat

mungkin terjadi over represented pada salah satu atau lebih klasifikasi. Dalam artian

bahwa klasifikasi tersebut dominan dibandingkan klasifikasi lainnya, sehingga data

training dan testing yang tercipta menjadi tidak representatif.

Maka dari itu diperlukan prosedur stratification holdout, dimana dengan prosedur ini

dapat dijamin bahwa setiap klasifikasi dapat terwakili pada data training dan testing

yang tercipta secara proporsional. Menurut Freitas 2002 kelas yang terbagi dari hasil

proses holdout proporsinya harus sedekat mungkin dengan proporsi aslinya.

Dilakukan perulangan terhadap seluruh proses training dan testing beberapa kali

dengan data training dan testing yang teracak. Kemudian diambil nilai rata-ratanya.

Prosedur ini dikatakan sebagai repeated holdout.

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

Page 44: KLASIFIKASI JENIS BUAH PISANG DENGAN IMAGE PROCESSING ...repository.usd.ac.id/31630/2/135314126_full.pdf · KLASIFIKASI JENIS BUAH PISANG DENGAN IMAGE PROCESSING MENGGUNAKAN METHODE

22

2.9. K-Fold Cross Validation

Pada pendekatan ini , data dibagi menjadi beberapa bagian dengan jumlah

yang hampir sama k bagian. Pembagian data tersebut akan digunakan sebagai

pelatihan dan pengujian. Setiap kali berjalan, satu beberapa bagian akan menjadi data

pelatihan dan bagian lain akan menjadi data pengujian. Prosedur ini akan dilakukan

sebanyak jumlah yang sudah dibagi, sehingga setiap data memiliki kesempatan untuk

menjadi data uji setiap k-1 kali.

Benyuk khusus dari metode ini adalah ketika k di set k=N, jumlah data dalam

set data. Metode ini disebut dengan leave-one-out, yaitu set data uji hanya berisi satu

data saja, sedangkan proses pelatihan dan pengujian dilakukan sebanyak N kali.

pendekatan ini memiliki keuntungan pengguna sebanyak mungkin data set data latih

sehingga data latih yang digunakan hampir seluruh data dalam set data. Hanya saja

pendekatan ini memiliki kelemahan, yakni komputasi yang mahal untuk mengulang

prosedut sebanyak N kali. Pendekatan ini akan menjadikan data pelatihan dan

pengujian tidak sama. Data pelatihan tidak akan digunakan sebagai data pengujian

dan begitu juga sebaliknya. Selanjutnya, karena set data uji hanya berisi satu data

saja, maka varian nilai kinerja yang diperkirakan bisa menjadi tinggi.

Sebagai contoh data menjadi menjadi 5 bagian dengan jumlah yang hampir

sama. Bagian 1, 2, 3, 4 akan menjadi data pelatihan, dan bagian 5 akan menjadi

pengujian. Contoh ini disebut 5-Fold Cross Validation.

2.10. Jaringan Syaraf Tiruan

Jaringan Syaraf Tiruan merupakan sebuah sistem pemrosesan

informasi yang telah dikembangkan dengan model matematika dan memiliki

karakteristik. Karakteristik tersebut hampir serupa dengan jaringan syaraf biologi

dengan asumsi bahwa (Jong Jek Siang, 2005) :

1. Pemrosesan informasi terjadi pada banyak elemen sederhana (neuron).

2. Sinyal dikirim diantara neuron–neuron melalui penghubung–penghubung.

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

Page 45: KLASIFIKASI JENIS BUAH PISANG DENGAN IMAGE PROCESSING ...repository.usd.ac.id/31630/2/135314126_full.pdf · KLASIFIKASI JENIS BUAH PISANG DENGAN IMAGE PROCESSING MENGGUNAKAN METHODE

23

3. Penghubung antar neuron memiliki bobot yang akan memperkuat atau

memperlemah sinyal.

4. Untuk menentukan keluaran, setiap neuron menggunakan fungsi aktivasi

yang dikenakan pada jumlah masukan yang diterima. Besarnya keluaran

ini selanjutnya dibandingkan dengan suatu batas ambang.

Dengan kata lain jaringan syaraf tiruan ini ditentukan oleh 3 hal, yaitu :

1. Pola hubungan antar neuron ( arsitektur jaringan ).

2. Metode untuk menentukan bobot penghubung.

3. Fungsi aktivasi.

2.10.1. Arsitektur Jaringan Syaraf Tiruan.

Arsitektur jaringan syaraf tiruan adalah sebuah pengaturan spesifikasi dan

hubungan setiap neuron yang terjadi pada lapisan di dalam jaringan. Semua neuron

yang terletak pada lapisan yang sama memiliki sifat dan fungsi aktivasi yang sama

pula.

Neuron-neuron dalam jaringan syaraf tiruan ini dikelompokkan ke dalam

beberapa lapisan. Pertama, lapisan masukan (input layer) merupakan lapisan pertama

yang menerima sinyal dari bagian luar jaringan. Kedua, lapisan tersembunyi (hidden

layer) yaitu lapisan yang menerima sinyal dari neuron pada lapisan masukan. Dan

ketiga, lapisan keluaran (output layer) yaitu lapisan yang mengekstrak ciri dari yang

berkaitan atau pola dari sinyal yang diterima.

Berikut ini adalah beberapa arsitektur jaringan yang sering digunakan dalam jaringan

syaraf tiruan.

1. Jaringan Layar Tunggal (single layer network).

Dalam jaringan layar tunggal, semua masukan dihubungkan langsung dengan

beberapa keluaran.

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

Page 46: KLASIFIKASI JENIS BUAH PISANG DENGAN IMAGE PROCESSING ...repository.usd.ac.id/31630/2/135314126_full.pdf · KLASIFIKASI JENIS BUAH PISANG DENGAN IMAGE PROCESSING MENGGUNAKAN METHODE

24

Gambar 2.5 Single Network

Gambar diatas menunjukkan arsitektur jaringan dengan n unit masukan (x1,

x2, ...,xn) dan m buah unit keluaran (y1, y2, ..., ym).

Adapun alasan hal ini disebut sebagai jaringan layar tunggal adalah karena semua

unit masukan dihubungkan dengan semua unit keluaran, meskipun dengan bobot

yang berbeda. Wji menyatakan bobot hubungan antara unit ke-I dalam masukan

dengan unit ke-j dalam keluaran. Bobot-bobot ini saling independen. Selama

proses pelatihan, semua bobot tersebut akan dimodifikasi untuk meningkatkan

keakuratan hasil.

2. Jaringan Layar Jamak (multi layer network).

Jaringan layar jamak adalah hasil perluasan dari layar tunggal. Dalam jaringan

ini, selain unit masukan dan keluaran, terdapat unit lain yang biasa disebut layar

tersembunyi. Hal ini sama seperti layar tunggal yang terdisi dari masukan dan

keluaran, hanya saja ditambah bagian unit. Unit itu sendiri berfungsi sebagai

penghubung antara masukan dan keluaran.

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

Page 47: KLASIFIKASI JENIS BUAH PISANG DENGAN IMAGE PROCESSING ...repository.usd.ac.id/31630/2/135314126_full.pdf · KLASIFIKASI JENIS BUAH PISANG DENGAN IMAGE PROCESSING MENGGUNAKAN METHODE

25

Gambar 2.6 Multi Layer Network

Pada gambar diatas ditunjukkan jaringan dengan n buah unit masukan (x1,

x2,...,xn), sebuah layar tersembunyi yang terdiri dari p buah unit (z1, ..., zp) dan

m buah unit keluaran (y1, y2, ..., ym).

2.10.2. Fungsi Aktivasi.

Dalam jaringan syaraf tiruan, fungsi aktivasi ini digunakan untuk menentukan

keluaran dari neuron. Argumen fungsi aktivasi adalah kombinasi linier masukan dan

bobotnya (net masukan). Jika net ∑, maka fungsi aktivasinya ialah f(net)=f(∑) (Jong

Jek Siang, 2005). Fungsi aktivasi dalam jaringan syaraf tiruan adalah sebagai berikut:

1. Fungsi Threshold

Fungsi ini sering disbut sebagai batas ambang. Adapun fungsinya sebagai

berikut:

…………………………………………(2.16)

Jika fungsi threshold berharga -1 atau 1 maka akan disebut sebagai threshold

bipolar.

2. Fungsi Sigmoid.

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

Page 48: KLASIFIKASI JENIS BUAH PISANG DENGAN IMAGE PROCESSING ...repository.usd.ac.id/31630/2/135314126_full.pdf · KLASIFIKASI JENIS BUAH PISANG DENGAN IMAGE PROCESSING MENGGUNAKAN METHODE

26

Fungsi sigmoid pada awalnya memiliki fungsi sebagai berikut:

……………………………………………………….(2.17)

Nilai fungsi dari fungsi sigmoid itu sendiri terletak antara 0 dan 1, sehingga

dapat diturunkan menjadi :

……………………………………….(2.18)

3. Fungsi Identitas.

Fungsi Identitas dapat dilihat sebagai berikut:

………………………………………………………….(2.19)

Fungsi identitas ini juga sering digunakan bila yang diinginkan adalah

keluaran jaringan berupa bilangan riil (bukan hanya pada range (0,1) atau

(-1,1)).

2.11. Jaringan Syaraf Tiruan Backpropagation.

Backpropagation merupakan salah satu contoh methode dari sekian banyak

methode dalam jaringan layar jamak. Backpropagation merupakan method sistematik

pada jarian syaraf tiruan menggunakan banyak lapisan untuk mengubah bobot pada

lapisan tersembunyi. Method ini menggunakan pelatihan jenis terkontrol dengan pola

penyesuaian bobot untuk mencapai nilai kesalahan minimum antara keluaran hasil

prediksi dengan keluaran nyata (F.Suhandi, 2009). Seperti pada umumnya model

jaringan syaraf tiruan, backpropagation juga melatih jaringan untuk mendapatkan

keseimbangan antara kemampuan jaringan untuk mengenali karakteristik yang

digunakan selama pelatihan. Tidak hanya itu, kemudian disertai kemampuan jaringan

untuk memberikan respon yang benar terhadap pola masukkan yang serupa namun

tidak sama dengan pola yang dipakai selama pelatihan.

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

Page 49: KLASIFIKASI JENIS BUAH PISANG DENGAN IMAGE PROCESSING ...repository.usd.ac.id/31630/2/135314126_full.pdf · KLASIFIKASI JENIS BUAH PISANG DENGAN IMAGE PROCESSING MENGGUNAKAN METHODE

27

2.11.1. Arsitektur Jaringan Backpropagation

Backpropagation memiliki unit neuron yang ada dalam satu atau lebih layar

tersembunyi. Gambar arsitektur backpropagation dibawah ini memiliki buah

masukan (ditambah sebuah bias), serta m buah unit keluaran. Vji adalah bobot garis

dari unit masukan Xi ke unit layar tersembunyi Zj (Vj0 adalah bobot garis yang

menghubungkan bias di unit masukan ke unit layar tersembunyi Zj). Wkj adalah

bobot dari unit layar tersembunyi Zj ke unit keluaran Yk (Wk0 adalah bobot dari bias

di layar tersembunyi ke unit keluaran Zk).

Gambar 2.7 Arsitektur Backpropagation

2.11.2. Fungsi Aktivasi Backpropagation.

Seperti yang kita ketahui bahwa fungsi aktivasi dalam metode

backpropagation menggunakan sebuah fungsi aktivasi. Namun tidak hanya itu,

methode ini juga menggunakan turunan dari fungsi tersebut. Backpropagation bisa

menggunakan fungsi aktivasi sigmoid biner (yang memiliki range (0,1)) maupun

sigmoid bipolar (yang memiliki range (-1,1)) beserta turunan fungsinya. Pemilihan

fungsi aktivasi itu sendiri tergantung pada kebutuhan nilai keluaran jaringan yang

diharapkan.

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

Page 50: KLASIFIKASI JENIS BUAH PISANG DENGAN IMAGE PROCESSING ...repository.usd.ac.id/31630/2/135314126_full.pdf · KLASIFIKASI JENIS BUAH PISANG DENGAN IMAGE PROCESSING MENGGUNAKAN METHODE

28

Jika keluaran jaringan yang diharapkan yang bernilai negatif, maka digunakan fungsi

sigmoid bipolar, sebaliknya bila nilai keluaran jaringan yang diharapkan bernilai

positif atau sama dengan nol, maka digunakan fungsi sigmoid biner. Selain fungsi

sigmoid, fungsi yang biasa digunakan dalam metode backpropagation adalah fungsi

linier.

Fungsi sigmoid biner :

…………………………………………………………..(2.20)

Memiliki turunan sebagai berikut:

…………………………………………..(2.21)

Fungsi sigmoid bipolar :

……………………………………………………….(2.22)

Memiliki turunan sebagai berikut:

……………………………………………..(2.23)

Fungsi sigmoid memiliki nilai maksismum, yakni 1. Maka untuk pola yang

targetnya berada diatas 1,maka pola masukan dan keluaran harus terlebih dahulu

ditransformasikan sehingga semua polanya memiliki range yang sama seperti fungsi

sigmoid yang dipakai. Cara lain yang digunakan ialah menggunakan fungsi aktivasi

sigmoid hanya pada layar yang bukan layar keluaran. Pada layar keluaran, fungsi

aktivasi yang dipakai adalah fungsi identitas : f(x) = x.

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

Page 51: KLASIFIKASI JENIS BUAH PISANG DENGAN IMAGE PROCESSING ...repository.usd.ac.id/31630/2/135314126_full.pdf · KLASIFIKASI JENIS BUAH PISANG DENGAN IMAGE PROCESSING MENGGUNAKAN METHODE

29

2.11.3. Pelatihan Standar Backpropagation.

Pada pelatihan backpropagation memiliki 3 fase. Fase pertama adalah fase maju,

pola masukan dihitung maju mulai dari layar masukan hingga layar keluaran

menggunakan fungsi aktivasi yang ditentukan. Fase kedua adalah fase mundur,

selisih antara keluaran jaringan dengan target yang diinginkan merupakan kesalahan

yang terjadi. Kesalahan tersebut dipropagasikan mundur, dimulai dari garis yang

berhubungan langsung dengan unit-unit di layar keluaran. Fase ketiga adalah

modifikasi bobot untuk menurunkan kesalahan yang terjadi.

Algoritma pelatihan jaringan syaraf tiruan backpropagation adalah sebagai

berikut:

Algoritma 2.3- pelatihan backpropagation

Langkah 0 : Inisialisasi semua bobot dengan bilangan acak kecil.

Langkah 1 : Jika kondisi penghentian belum terpenuhi, lakukan langkah 2-

9.

Langkah 2 : Untuk setiap pasang data pelatihan, lakukan langkah 3-8.

Fase I : Propagasi maju.

Langkah 3 : Tiap unit masukan menerima sinyal dan meneruskannya ke

unit tersembunyi di atasnya.

Langkah 4 : Hitung semua keluaran di unit tersembunyi zj (j = 1, 2, ..., p).

…………………………...(2.24)

……………………………...(2.25)

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

Page 52: KLASIFIKASI JENIS BUAH PISANG DENGAN IMAGE PROCESSING ...repository.usd.ac.id/31630/2/135314126_full.pdf · KLASIFIKASI JENIS BUAH PISANG DENGAN IMAGE PROCESSING MENGGUNAKAN METHODE

30

Langkah 5 : Hitung semua keluaran jaringan di unit yk (k = 1, 2, ..., m).

……………………….(2.26)

…………………………….(2.27)

Fase II : Propagasi mundur.

Langkah 6 : Hitung faktor δ unit keluaran berdasarkan kesalahan di setiap

unit keluaran yk (k = 1, 2, ..., m).

……………………………………………………………………………(2.28)

δk merupakan unit kesalahan yang akan dipakai dalam perubahan

bobot layar dibawahnya (langkah 7). Hitung suku perubahan bobot wkj (yang

akan dipakai nanti untuk merubah bobot wkj) dengan laju percepatan α.

……………………………………………………………………………(2.29)

Langkah 7 : Hitung faktor δ unit tersembunyi berdasarkan kesalahan di

setiap unit tersembunyi zj(j = 1, 2, ..., p).

………………………………….(2.30)

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

Page 53: KLASIFIKASI JENIS BUAH PISANG DENGAN IMAGE PROCESSING ...repository.usd.ac.id/31630/2/135314126_full.pdf · KLASIFIKASI JENIS BUAH PISANG DENGAN IMAGE PROCESSING MENGGUNAKAN METHODE

31

Faktor δ unit tersembunyi :

……..(2.31)

Hitung suku perubahan bobot vji(yang akan dipakai nanti untuk

merubah bobot vji)

……………………………………………………(2.32)

j = 1, 2, ..., p ; i = 0, 1, ..., n

Fase III : Perubahan bobot.

Langkah 8 : Hitung semua perubahan bobot. Perubahan bobot garis yang

menuju ke unit keluaran :

………………….....(2.33)

Perubahan bobot garis yang menuju ke unit tersembunyi :

…………………………..(2.34)

Langkah 9 : Kondisi perulangan.

Setelah selesai melakukan pelatihan, jaringan dapat dipakai untuk

pengenalan pola. Dalam hal ini hanya propagasi maju (langkah 4 dan 5) saja

yang dipakai untuk menentukan keluaran jaringan.

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

Page 54: KLASIFIKASI JENIS BUAH PISANG DENGAN IMAGE PROCESSING ...repository.usd.ac.id/31630/2/135314126_full.pdf · KLASIFIKASI JENIS BUAH PISANG DENGAN IMAGE PROCESSING MENGGUNAKAN METHODE

32

BAB III

METODE PENELITIAN

Pada bab ini diuraikan mengenai rencana langkah-langkah yang akan

dilakukan dalam penelitian. Termasuk bagaimana cara mendapatkan data, cara

mengolah data, cara membuat alat uji jika diperlukan, cara analisis data, cara

pengujian, dan di bagian akhir diberikan desain alat uji serta user interface dari alat

uji yang akan dibangun.

3.1. Data

Dalam tugas akhir ini terdapat bagian yang berhubungan dengan bahan dan

data yang akan digunakan. Berikut adalah penjelasan mengenai bahan dan data yang

akan digunakan tersebut:

1. Bentuk

Dalam klasifikasi buah pisang ini diperlukan banyak data guna

melakukan klasifikasi pisang ini. Data-data tesebut berupa foto/image buah

pisang yang terdiri dari 5 jenis buah pisang. 5 jenis pisang tersebut antara lain

adalah pisang Bentuk atau jenis data yang digunakan ialah berupa foto pisang:

raja, kapas, mas, susu, dan ambon. Foto tersebut memiliki format JPG.

Tabel 3.1 Contoh data

No Gambar Jenis pisang

1

Gambar 3.1 Pisang Ambon

Ambon

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

Page 55: KLASIFIKASI JENIS BUAH PISANG DENGAN IMAGE PROCESSING ...repository.usd.ac.id/31630/2/135314126_full.pdf · KLASIFIKASI JENIS BUAH PISANG DENGAN IMAGE PROCESSING MENGGUNAKAN METHODE

33

2

Gambar 3.2 Pisang Kapas

Kapas

3

Gambar 3.3 Pisang Mas

Mas

4

Gambar 3.4 Pisang Raja

Raja

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

Page 56: KLASIFIKASI JENIS BUAH PISANG DENGAN IMAGE PROCESSING ...repository.usd.ac.id/31630/2/135314126_full.pdf · KLASIFIKASI JENIS BUAH PISANG DENGAN IMAGE PROCESSING MENGGUNAKAN METHODE

34

5

Gambar 3.5 Pisang Susu

Susu

2. Jumlah

Jumlah data yang akan digunakan untuk klasifikasi buah pisang ini

ialah sebanya 250 data foto pisang. Foto buah pisang yang diambil terdiri dari

5 jenis buah pisang. Setiap jenis pisang akan diambil 50 foto sebagai data,

sehingga 5 x 50 maka didapat 250 data foto pisang. Jumlah yang digunakan

sebagai testing dan training group sebanyak 240, dan 10 foto sebagai data uji

tunggal.

3. Sumber Data

Data buah pisang yang digunakan dalam klasifikasi jenis pisang ini

diambil di beberapa pasar di sekitaran daerah Yogyakarta sendiri. Ada banyak

pasar disekitaran daerah Yogyakarta ini, salah satunya ialah pasar Stan.

4. Cara Memperoleh Data

Banyaknya data yang digunakan tidak terlepas dari cara memperoleh

data tersebut. Data berupa foto buah pisang ini diperoleh dengan cara seurvey

ke beberapa pasar, kemudian membeli buah pisang sesuai jenis yang

diperlukan. Lalu dilakukan pengambilan foto secara manual foto dengan

kamera xiaomi redmi note 2 dengan kamera 13 MP. Jarak pengambilan foto

dilakukan setinggi 20 cm.

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

Page 57: KLASIFIKASI JENIS BUAH PISANG DENGAN IMAGE PROCESSING ...repository.usd.ac.id/31630/2/135314126_full.pdf · KLASIFIKASI JENIS BUAH PISANG DENGAN IMAGE PROCESSING MENGGUNAKAN METHODE

35

3.2. Peralatan Penelitian

Dalam pembuatan tugas akhir klasifikasi jenis buah pisang ini tidak lari dari

beberapa peralatan yang digunakan. Peralatan tersebut digunakan untuk membantu

dalam proses dibuatnya tugas akhir ini. Peralatan tersebut terdiri sebagai berikut:

1. Laptop

Merk : Asus

Type : A455L

Processor : Intel (R) Core (TM) i5-4210U CPU @ 1.7 GHz 2.40 GHz

RAM : 4.00 GB (3.89 GB useble)

HDD : 1 TB

OS : Windows 8.1 Pro

Terdapat beberapa aplikasi di laptop yang digunakan untuk membantu

pengerjaan tugas akhir ini. Aplikasi tersebut diantaranya:

a. Microsoft Office Word

Versi : 2010

b. Microsoft Office Excel

Versi : 2010

c. Matlab

Versi : r2015a

2. Smartphone

Merk : Xiaomi

Type : Redmi Note 2

Kamera : 13 MP

CPU : Octa-core Max 1,95 Hz

RAM : 2.00 GB

Internal Memory : 16 GB

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

Page 58: KLASIFIKASI JENIS BUAH PISANG DENGAN IMAGE PROCESSING ...repository.usd.ac.id/31630/2/135314126_full.pdf · KLASIFIKASI JENIS BUAH PISANG DENGAN IMAGE PROCESSING MENGGUNAKAN METHODE

36

3. Aquarium

Aquarium digunakan sebagai tempat untuk pengambilan foto pisang

sebagai data. Ukuran aquarium tersebut ialah 30 x 15 cm. warna dasar

aquarium ini digunakan warna hitam.

4. Tongsis dan Tripod

Alat selanjutnya ialah tongsis dan tripod, tongsis maupun tripod

merupakan alat bantu pegang handphone yang biasanya digunakan untuk

melakukan selfie atau bersama. Disini tongsis dan tripod berfungsi sebagai

alat bantu kestabilan dalam proses pengambilan data.

3.3. Cara Penelitian

Adapun cara penelitian yang akan dilakukan ialah sebagai berikut:

1. Studi Pustaka

Studi pustaka yang dilakukan berfungsi untuk membantu penyelesaian

tugas akhir ini. Adapun pada bagian cara penelitian ini, studi pustaka

berfungsi untuk menambah teori dan mencari tahu cara pengimplementasian

method backpropagation di matlab dengan image processing.

2. Pengambilan Data

Pengambilan data berupa foto buah pisang itu sendiri dilakukan setiap

hari dengan membeli 1 sisir buah pisang setiap harinya. Biasanya 1 sisir berisi

10 buah pisang untuk 1 jenis saja dan jumlah data yang harus dikumpulkan

ialah 250. Sehingga 250/10 = 25, itu berarti jumlah data akan terkumpul

kurang lebih selama 1 bulan. Berikut ini merupakan diagram pengambilan

data.

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

Page 59: KLASIFIKASI JENIS BUAH PISANG DENGAN IMAGE PROCESSING ...repository.usd.ac.id/31630/2/135314126_full.pdf · KLASIFIKASI JENIS BUAH PISANG DENGAN IMAGE PROCESSING MENGGUNAKAN METHODE

37

Gambar 3.6. Diagram pengambilan data

Dari gambar 3.6 diatas proses pengambilan data sebagai data yang

akan digunakan. Data mentah berupa sampel pisang yang telah tersedia, di

letakan dalam sebuah kotak (pada bagian ini penulis menggunakan aquarium

sebagai wadah) dengan dasar atau alas berwarna hitam. Kemudian

pengambilan gambar pun dilakukan menggunakan smarthphone dengan alat

bantu seperti tripod dan tongsis sebagai penstabil smartphone. Setelah itu

gambar pisang pun berhasil didapat dengan format jpg.

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

Page 60: KLASIFIKASI JENIS BUAH PISANG DENGAN IMAGE PROCESSING ...repository.usd.ac.id/31630/2/135314126_full.pdf · KLASIFIKASI JENIS BUAH PISANG DENGAN IMAGE PROCESSING MENGGUNAKAN METHODE

38

3. Pembuatan Alat Uji.

Langkah-langkah tersebut diantaranya:

a. Pengambilan Image atau Foto

Langkah pertama dilakukan pengambilan data berupa foto pisang.

Data yang sudah diambil dan tersedia didalam file akan dibaca oleh

program sebagai langkah awal pengolahan untuk klasifikasi pisang.

Berikut ini contoh gambarnya

Gambar 3.7 Pisang original.

b. Pre-Processing

Pada langkah selanjutnya yakni dilakukan pre-processing. Pre-

processing dilakukan menggunakan aplikasi matlab sebagai langkah

awal untuk menentukan klasifikasi jenis buah pisang. Menyamakan

semua gambar pisang adalah langkah selanjutnya, gambar yang

diambil memiliki ukuran yang berbeda-beda, dengan dilakukan

penyamaan ukuran ini akan mempermudah melakukan ektraksi ciri

dan klasifikasi.

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

Page 61: KLASIFIKASI JENIS BUAH PISANG DENGAN IMAGE PROCESSING ...repository.usd.ac.id/31630/2/135314126_full.pdf · KLASIFIKASI JENIS BUAH PISANG DENGAN IMAGE PROCESSING MENGGUNAKAN METHODE

39

Gambar 3.8. Proses Preprocessing

Dalam gambar 3.8 diatas proses pre-processing terlihat dengan

jelas. Input citra image yang telah di ambil akan disamakan ukurannya

guna menyeimbangkan gambar satu dengan gambar yang lainnya.

Setelah itu dari resize akan dilakukan 2 bagian yakni cropping dan

binerisasi menggunakan dilasi. Cropping dilakukan untuk menghitung

statistik warna yang terdiri dari mean dan standar deviasi dari rgb.

Kemudian binerisasi dengan dilasi dilakukan untuk mencari

perimeter, luas, panjang, lebar, kebulatan, dan kerampingan. Hasil dari

cropping dan benerisasi pun didapat dan selesai.

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

Page 62: KLASIFIKASI JENIS BUAH PISANG DENGAN IMAGE PROCESSING ...repository.usd.ac.id/31630/2/135314126_full.pdf · KLASIFIKASI JENIS BUAH PISANG DENGAN IMAGE PROCESSING MENGGUNAKAN METHODE

40

Adapun ukuran yang digunakan yakni [225 400], dapat dilihat sebagai

berikut

Gambar 3.9 Pisang hasil resize

Setelah resize semua gambar maka langkah selanjutnya yakni

mengubah gambar tersebut ke citra biner. Adapun hasilnya dapat

dilihat sebagai berikut.

Gambar 3.10 Pisang hasil biner

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

Page 63: KLASIFIKASI JENIS BUAH PISANG DENGAN IMAGE PROCESSING ...repository.usd.ac.id/31630/2/135314126_full.pdf · KLASIFIKASI JENIS BUAH PISANG DENGAN IMAGE PROCESSING MENGGUNAKAN METHODE

41

Selanjutnya, setelah dilakukan operasi biner, selanjutnya

dilakukanlah dilasi untuk menentukan ciri pula dari buah pisang

tersebut.

Gambar 3.11 Pisang dilasi

Kemudian setelah dilakukan operasi dilasi maka langkah

selanjutnya ialah melakukan crop pada gambar sebagai kebutuhan

salah satu ektraksi ciri.

Gambar 3.12 Pisang hasil crop

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

Page 64: KLASIFIKASI JENIS BUAH PISANG DENGAN IMAGE PROCESSING ...repository.usd.ac.id/31630/2/135314126_full.pdf · KLASIFIKASI JENIS BUAH PISANG DENGAN IMAGE PROCESSING MENGGUNAKAN METHODE

42

c. Extraksi Ciri

Pada bagian ekstrasi ciri ini, dilakukan pembagian ciri dan

pemberian ciri menurut gambar dan jenis pisang itu sendiri. Tujuan

ekstraksi ciri ini ialah agar nantinya dapat dengan mudah menentukan

klasifikasi jenis pisang. Ekstraksi ciri yang dilakukan didasarkan pada

bentuk, ukuran dan warna dari pisang. Untuk bentuk, dihitung

berdasarkan kebulatan dan kerampingan dari masing-masing gambar,

kemudian ukuran dihitung dengan mengukur luas, perimeter, panjang

dan lebar. Sedangkan warna dihitung berdasarkan warna mean red,

green dan blue kemudian standar deviasi red, green, dan blue dari

permukaan kulit pisang.

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

Page 65: KLASIFIKASI JENIS BUAH PISANG DENGAN IMAGE PROCESSING ...repository.usd.ac.id/31630/2/135314126_full.pdf · KLASIFIKASI JENIS BUAH PISANG DENGAN IMAGE PROCESSING MENGGUNAKAN METHODE

43

Gambar 3.13. Diagram ekstraksi ciri bagian warna.

Pada gambar 3.13 merupakan proses yang dilakukan pada

ekstraksi ciri bagian warna, citra hasil crop diolah dengan mencari

jumlah piksel dari setiap warna red green dan blue (RGB), dari jumlah

piksel yang ditemukan maka akan dihitung mean dari setiap warna

tersebut.

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

Page 66: KLASIFIKASI JENIS BUAH PISANG DENGAN IMAGE PROCESSING ...repository.usd.ac.id/31630/2/135314126_full.pdf · KLASIFIKASI JENIS BUAH PISANG DENGAN IMAGE PROCESSING MENGGUNAKAN METHODE

44

Kemudian setelah didapat mean setiap warna, maka akan dilakukan

perhitungan untuk mencari jumlah standar seviasi setiap warna.

Setelah didapat standar deviasi setiap warna, maka akan dicari rata-

rata standar deviasi setiap warna rgb, setelah didapat maka hasil dari

mean rgb dan standar deviasi rbg digunakan sebagai ekstraksi ciri,

dan selesai.

Gambar 3.14 Diagram ekstraksi ciri bagian binerisasi dilasi.

Gambar 3.14 merupakan proses perhitungan mencari ekstraksi ciri

yang tidak menggunakan warna. Ketika gambar binerisasi dilasi

keluar atau didapat maka akan dilakukan perhitungan perimeter, luas,

panjang, lebar, kebulatan, dan kerampingan. Setelah didapat

perhitungan final hasil dari setiap variable tersebut, maka data akan

disimpan sebagai ektraksi ciri dan selesai.

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

Page 67: KLASIFIKASI JENIS BUAH PISANG DENGAN IMAGE PROCESSING ...repository.usd.ac.id/31630/2/135314126_full.pdf · KLASIFIKASI JENIS BUAH PISANG DENGAN IMAGE PROCESSING MENGGUNAKAN METHODE

45

d. Penyimpanan hasil olah

Pada bagian ini dilakukan penyimpanan data hasil olahan. Data

yang disimpan berupa angka, kemudian dilakukan pembagian jenis

sesuai sample yang ada.

4. Pengujian dan Analisis

Jumlah data yang akan digunakan yakni sebanyak 250 gambar pisang.

Data yang digunakan sebagai traning dan testing group sebanyak 240 data,

kemudian data testing tunggal yang digunakan sebanyak 10 data. Sebelum

melakukan testing data akan diolah seperti langkah pembuatan alat uji,

kemudian untuk testing group dilakukan menggunakan holdout cross validasi

untuk memilih data secara acak, setalah itu dilakukan testing group. holdout

cross validation untuk melakukan pengujian variasi epoch, goal, dan learning

rate dengan akurasi tertinggi, sedangkan untuk pengujian data group

menggunakan k-fold cross validation dimana data dibagi menjadi 5 bagian,

dan setiap bagian akan diujicobakan. Untuk testing tunggal data yang belum

pernah digunakan sebanyak 10 gambar. Adapun output yang diharapkan yakni

memunculkan jenis dari pisang itu sendiri.

3.4. Design Alat Uji

Pada bagian ini akan dibahas mengenai design alat uji system yang akan

digunakan untuk klasifikasi jenis buah pisang ini. Berikut ini merupakan design alat

uji jika dilihat menggukanan flowchart:

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

Page 68: KLASIFIKASI JENIS BUAH PISANG DENGAN IMAGE PROCESSING ...repository.usd.ac.id/31630/2/135314126_full.pdf · KLASIFIKASI JENIS BUAH PISANG DENGAN IMAGE PROCESSING MENGGUNAKAN METHODE

46

Gambar 3.15 Blok diagram rancangan system secara keseluruhan

Pada gambar 3.15 diperlihatkan proses keseluruhan sistem yang akan

digunakan penulis. Mulai dengan sebuah data berupa image jpg, data diolah dengan

pre-processing sebagai langkah awal sebelum melakukan ekstaksi ciri, kemudian

setelah pre-processing data akan diekstraksi ciri untuk menghasilkan ciri dari setiap

jenis pisang berupa rgb, bentuk, dan ukuran. Setelah dilakukan ekstraksi ciri maka

data akan disatukan dan dilakukan normalisasi dengan angka rentangan 0 hingga 1.

Setelah itu data akan dibagi menjadi 2 bagian dengan croos valoidation untuk

memisahkan data testing dan data training. Data training digunakan untuk pelatihan,

dan testing digunakan untuk uji group. Setelah didapat akurasi terbaik, maka akan

dilakukan uji tunggal sebagai langkah akhir untuk pengujian klasifikasi jenis pisang

ini.

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

Page 69: KLASIFIKASI JENIS BUAH PISANG DENGAN IMAGE PROCESSING ...repository.usd.ac.id/31630/2/135314126_full.pdf · KLASIFIKASI JENIS BUAH PISANG DENGAN IMAGE PROCESSING MENGGUNAKAN METHODE

47

3.5. Cara pengujian

Pada bagian ini akan dijelaskan cara pengujian yang akan dilakukan terhadap

sistem yang akan dibuat. Cara pengujian atau testing diawali dengan melakukan pre-

processing terlebih dahulu. Pre-processing dilakukan untuk membuat gambar bisa di

kenali. Kemudian melakukan ekstraksi ciri yang meliputi warna (RGB) berupa mean

dan standar deviasi, bentuk dengan kebulatan dan kerampingan, dan ukuran dengan

perimeter, luas, panjang dan lebar.

Jaringan syaraf tiruan digunakan sebagai sistem yang diharapkan dapat

mengenali perbedaan jenis pisang berdasarkan fitur-fitur hasil pengolahan citra.

Jaringan ini akan menerima masukan (input) berupa informasi-informasi ciri dari

sebuah citra buah pisang. Jaringan syaraf tiruan mempunyai 12 masukan, sejumlah

lapisan tersembunyi dan 5 keluaran. Lapisan masukan (input layer) jaringan ini

menerima 12 buah masukan berupa mean red, mean green, mean blue, standar

deviasi red, standar deviasi green, standar deviasi blue, perimeter, luas, panjang,

lebar, kebulatan, dan kerampingan. Keluaran jaringan berupa 5 kelas jenis pisang

yakni, pisang raja, pisang kapas, pisang mas, pisang susu, dan pisang ambon. Lapisan

tersembunyi (hiden layer) berjumlah n layer. Jumlah ini akan divariasikan untuk

melihat hasil yang paling baik untuk jaringan. Dalam rencana penulis akan mulai

menggunakan 1 hidden layer dengan variasi jumlah neuron kelipatan 10 dimulai dari

10 neuron untuk menemukan akurasi tertinggi. Kemudian setelah memiliki hasil,

maka hidden layer 1 akan di kombinasikan dengan hidden layer 2. Wij merupakan

bobot jaringan untuk node-node dari lapisan masukan ke lapisan tersembunyi,

sedangkan Vjk merupakan bobot untuk node-node dari lapisan tersembunyi ke

lapisan keluaran.

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

Page 70: KLASIFIKASI JENIS BUAH PISANG DENGAN IMAGE PROCESSING ...repository.usd.ac.id/31630/2/135314126_full.pdf · KLASIFIKASI JENIS BUAH PISANG DENGAN IMAGE PROCESSING MENGGUNAKAN METHODE

48

1. Arsitektur jaringan dengan 1 hidden layer

Gambar 3.16 Rencana sistem arsitektur jaringan syaraf tiruan dengan 1 hiden layer

Pada gambar 3.16 diatas merupakan gambar model jaringan dengan 1

hidden layer yang akan digunakan dalam proses pengujian jaringan dengan nilai

ekstraksi ciri yang telah dinormalisasi. Berikut ini merupakan penjelasan

mengenai gambar tersebut :

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

Page 71: KLASIFIKASI JENIS BUAH PISANG DENGAN IMAGE PROCESSING ...repository.usd.ac.id/31630/2/135314126_full.pdf · KLASIFIKASI JENIS BUAH PISANG DENGAN IMAGE PROCESSING MENGGUNAKAN METHODE

49

1. Red, Green, Blue, STd Red, STd Green, STd Blue, Perimeter, Luas,

Panjang, Lebar, Kebulatan dan Kerampingan merupakan lapisan masukan

dalam jaringan syaraf tiruan. Sehingga masukan akan berjumlah sebanyak

12 masukan dengan masing-masing ciri yang disebutkan diatas.

2. X1, X2, X3, X4,...,Xn merupakan lapisan tersembunyi yang digunakan

untuk mentransformasikan nilai masukan menjadi nilai yang bisa diolah

sehingga didapat nilai keluaran-nya. Dalam hidden layer 1 ini,

jumlah neuronnya akan divariasi dimulai dari 10, 20, 30 dan seterusnya

(kelipatan 10) hingga 100, sehingga dapat dibandingkan akurasi yang

terbaik yang didapat membutuhkan berapa banyak jumlah neuron pada

hidden layer.

3. Ambon, Kapas, Mas, Raja, dan Susu merupakan lapisan luaran yang

memiliki 5 neuron, sesuai dengan jumlah jenis pisang yang digunakan.

Nilai luaran pada lapisan ini direpresentasikan angka 0 dan 1, sehingga

taget luaran untuk masing-masing jenis pisang akan berbeda satu dengan

yang lain. Berikut ini merupakan representasi luaran masing-masing jenis

pisang tersebut :

Table 3.2 Table target luaran jenis pisang

Jenis Pisang Nilai Target Output

Ambon 1 0 0 0 0

Kapas 0 1 0 0 0

Mas 0 0 1 0 0

Raja 0 0 0 1 0

Susu 0 0 0 0 1

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

Page 72: KLASIFIKASI JENIS BUAH PISANG DENGAN IMAGE PROCESSING ...repository.usd.ac.id/31630/2/135314126_full.pdf · KLASIFIKASI JENIS BUAH PISANG DENGAN IMAGE PROCESSING MENGGUNAKAN METHODE

50

2. Arsitektur jaringan dengan 2 hidden layer

Gambar 3.17 Rencana sistem arsitektur jaringan syaraf tiruan dengan 2 hiden layer

Pada gambar 3.17 diatas merupakan gambar model jaringan syaraf tiruan

dengan 2 hidden layer yang akan digunakan untuk optimalisasi model jaringan yang

sebelumnya (hidden layer 1). Hidden layer 2 ini akan dikombinasikan dengan hidden

layer 1. Setelah hasil dari hidden layer diketahui, maka dengan akurasi tertinggi dari

hidden layer 1 akan digunakan sebagai dasar untuk dikombinasikan dengan hidden

layer 2. Tidak terlalu jauh berbeda dengan hidden layer 1, hidden layer 2 ini hanya

ditambah jumlah hidden layernya saja yang jumlah neuronnya akan divariasikan.

Berikut penjelasanya:

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

Page 73: KLASIFIKASI JENIS BUAH PISANG DENGAN IMAGE PROCESSING ...repository.usd.ac.id/31630/2/135314126_full.pdf · KLASIFIKASI JENIS BUAH PISANG DENGAN IMAGE PROCESSING MENGGUNAKAN METHODE

51

1. Red, Green, Blue, STd Red, STd Green, STd Blue, Perimeter, Luas,

Panjang, Lebar, Kebulatan dan Kerampingan merupakan lapisan masukan

dalam jaringan syaraf tiruan. Sehingga masukan akan berjumlah sebanyak

12 masukan dengan masing-masing ciri yang disebutkan diatas.

2. X1, X2, X3, X4,...,Xn merupakan lapisan tersembunyi yang digunakan

untuk mentransformasikan nilai input menjadi nilai yang bisa diolah

sehingga didapat nilai yang akan digunakan untuk masukan pada

hidden layer selanjutnya. Bagian ini dinamakan hidden layer 1. Dalam

hidden layer 1 ini, jumlah neuronnya akan divariasi dimulai dari 10, 20,

30 dan seterusnya (kelipatan 10) hingga 100, sehingga dapat dibandingkan

akurasi yang terbaik yang didapat membutuhkan berapa banyak

jumlah neuron pada hidden layer.

3. Y1, Y2, Y3, Y4,...,Yn merupakan lapisan tersembunyi yang digunakan

untuk mentransformasikan nilai hidden layer sebelumnya menjadi nilai

yang bisa diolah sehingga didapat nilai output-nya. Bagian ini

dinamakan hidden layer 2. Dalam hidden layer 2 ini, jumlah neuronnya

akan divariasi dimulai dari 10, 20, 30 dan seterusnya (kelipatan 10) hingga

100, sehingga dapat dibandingkan akurasi yang terbaik yang didapat

membutuhkan berapa banyak jumlah neuron pada hidden layer.

4. Ambon, Kapas, Mas, Raja, dan Susu merupakan lapisan luaran yang

memiliki 5 neuron, sesuai dengan jumlah jenis pisang yang digunakan,

yakni ambon, kapas, mas, raja, dan susu. Nilai luaran pada lapisan ini

direpresentasikan 0 dan 1, sehingga taget luaran untuk masing-masing

jenis pisang akan berbeda satu dengan yang lain. Hal ini bisa dilihat pada

tabel 3.1 diatas.

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

Page 74: KLASIFIKASI JENIS BUAH PISANG DENGAN IMAGE PROCESSING ...repository.usd.ac.id/31630/2/135314126_full.pdf · KLASIFIKASI JENIS BUAH PISANG DENGAN IMAGE PROCESSING MENGGUNAKAN METHODE

52

Kemudian bagian pengujian yang akan dilakukan dengan membagi data

mejadi 5 bagian menggunakan holdout validation, 4 bagian data sebagai pelatihan,

sedangkan 1 bagian data sebagai pengujiannya untuk mengetahui variasi epoch, goal,

dan learning rate terbaik dengan akurasi tertinggi. Kemudian membagi data menjadi

5 bagian dengan k-fold validation, setiap bagian berkesempatan dilakukan testing

sebanyak 1 kali saja. Dan untuk mengetahui akurasi tersebut, akan dilakukan

confusion matrix antara lebel sebenarnya dengan lebel jenis pisang setelah dilakukan

testing. Setelah dilakukan hal tersebut, maka akan dilihat kesamaan dari kedua lebel

tersebut. Lebel yang sama akan dikatakan benar, dan lebel yang tidak sama akan

dikatakan salah. Sehingga bagian akurasi dapat diketahui melalui kebenaran lebelnya.

Berikut rumus yang akan digunakan:

𝐴𝑘𝑢𝑟𝑎𝑠𝑖 =𝐽𝑢𝑚𝑙𝑎ℎ 𝑛𝑖𝑙𝑎𝑖 𝑏𝑒𝑛𝑎𝑟

𝑗𝑢𝑚𝑙𝑎ℎ 𝑠𝑒𝑙𝑢𝑟𝑢ℎ 𝑑𝑎𝑡𝑎 𝑡𝑒𝑠𝑋 100 % ……………………………………(3.1)

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

Page 75: KLASIFIKASI JENIS BUAH PISANG DENGAN IMAGE PROCESSING ...repository.usd.ac.id/31630/2/135314126_full.pdf · KLASIFIKASI JENIS BUAH PISANG DENGAN IMAGE PROCESSING MENGGUNAKAN METHODE

53

BAB IV

IMPLEMENTASI DAN ANALISA HASIL

Bab ini berisikan tentang tampilan dari program yang klasifikasi pisang,

disertai implementasi dan analisis keluaran dari sistem dengan algoritma yang

digunakan, variasi percobaan jumlah hiden layer dan neuron dari setiap hiden layer,

pengujian data tunggal dan uraian mengenai hasil yang didapat dengan akurasi yang

dicapai dari variasi tersebut.

4.1 Implementasi Sistem

Pada sub bab ini akan memperlihatkan tampilan yang digunakan pada

program dan cara menjalankannya, kemudian pembahasan mengenai fungsi-fungsi

yang digunakan dan methode yang diterapkan.

1. Data Pisang

Data pisang yang digunakan penulis pada penelitian ini yakni terdiri dari 5

jenis pisang, jenis-jenis pisang tersebut ialah ambon, kapas, mas, raja, dan susu.

Berikut ini merupakan contoh data pisang tersebut.

Gambar 4.1 Contoh pisang ambon

Gambar 4.2 Contoh pisang kapas

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

Page 76: KLASIFIKASI JENIS BUAH PISANG DENGAN IMAGE PROCESSING ...repository.usd.ac.id/31630/2/135314126_full.pdf · KLASIFIKASI JENIS BUAH PISANG DENGAN IMAGE PROCESSING MENGGUNAKAN METHODE

54

Gambar 4.3 Contoh pisang mas

Gambar 4.4 Contoh pisang raja

Gambar 4.5 Contoh pisang susu

2. Resizing image pisang

Tahap selanjutnya yakni resizing semua ukuran pisang. Resizing dilakukan

untuk menyamakan semua ukuran pisang, sehingga nantinya data pisang

mempunyai ukuran yang sama secara merata. Ukuran image pisang yang

digunakan ialah [225 400], 225 sebagai lebar dan 400 sebagai panjang. Pada

gambar 3.7 diatas dapat dilihat sebagai contoh ukuran pisang original, kemudian

pada gambar 3.9 diatas sebagai contoh pisang hasil resizing

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

Page 77: KLASIFIKASI JENIS BUAH PISANG DENGAN IMAGE PROCESSING ...repository.usd.ac.id/31630/2/135314126_full.pdf · KLASIFIKASI JENIS BUAH PISANG DENGAN IMAGE PROCESSING MENGGUNAKAN METHODE

55

3. Cropping image pisang

Tahap cropping image ini dilakukan setelah tahap resizing. Tahap ini

memotong gambar dalam ukuran gambar yang hanya memiliki warna rgb saja.

Hal ini dilakukan untuk mencari kadar warna yang terkandung di setiap jenis

pisang. Pada gambar 3.12 dapat dilihat sebagai contoh pisang hasil cropping dari

gambar 3.7 diatas.

4. Binerisasi image pisang

Tahap selanjutnya yakni binerisasi image pisang dengan ukuran 0.01, ukuran

ini digunakan untuk melihat komposisi bentuk pisang yang menyerupai

keasliannya. Tahap ini memiliki lanjutan yakni dilasi. Bagian dilasi ini piksel

image diubah sedikit untuk membuat bentuk gambar menyerupai gambar asli.

Ukuran dilasi yang digunakan ialah menggunakan 4 elemen penstruktur. Pada

contoh gambar 3.10 diatas merupakan contoh pisang hasil binerisasi dengan

ukuran 0.01, sedangkan pada gambar 3.11 diatas merupakan contoh pisang hasil

dilasi dengan 4 element penstruktur.

5. Ekstraksi ciri

Tahap ektraksi ciri ini, penulisan menggunakan mean red, mean green, mean

blue, standart deviasi red, standart deviasi green, standart blue, perimeter, luas,

panjang, lebar, kebulatan, dan kerampingan.

Untuk ektraksi ciri mean red, mean green, mean blue, standart deviasi red,

standart deviasi green, dan standart deviasi blue menggunakan image hasil

cropping yang telah di resizing. Kemudian untuk perimeter, luas, panjang, lebar,

kebulatan, dan kerampingan menggunakan image hasil binerisasi dengan dilasi.

Sehingga didapat hasil seperti berikut:

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

Page 78: KLASIFIKASI JENIS BUAH PISANG DENGAN IMAGE PROCESSING ...repository.usd.ac.id/31630/2/135314126_full.pdf · KLASIFIKASI JENIS BUAH PISANG DENGAN IMAGE PROCESSING MENGGUNAKAN METHODE

56

Gambar 4.6 Contoh hasil ektrasksi ciri

Gambar 4.6 diatas merupakan contoh dari sebagian kecil data hasil ektraksi

ciri pisang.

6. Normalisasi data

Pada tahap ini penulis menggunakan normalisasi minmax dengan rentang nilai

yang digunakan ialah 0 hingga 1. Normalisasi ini akan menerima nilai minimum

dan maksimum dari 1 ektraksi ciri dan 1 ektraksi ciri yang berhungan dengan ciri

tersebut. Kemudian data dalam ektraksi ciri tersebut akan diubah menjadi nilai

baru antara 0 hingga 1. Sebagai contoh mean red pada gambar 4.7 dibawah ini.

Gambar 4.7 Implementasi mencari nilai maksimum dan minimum di 1 ciri

Gambar 4.8 Implementasi mencari nilai 0 hingga 1

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

Page 79: KLASIFIKASI JENIS BUAH PISANG DENGAN IMAGE PROCESSING ...repository.usd.ac.id/31630/2/135314126_full.pdf · KLASIFIKASI JENIS BUAH PISANG DENGAN IMAGE PROCESSING MENGGUNAKAN METHODE

57

Berikut ini merupakan contoh hasil normalisasi minmax:

Gambar 4.9 Contoh data setelah dinormalisasi minmax

7. Menentukan lebel data

Sebelum dilakukannya sebuah pelatihan dan pengujian, maka dilakukan

pemberian lebel pada setian jenis pisang. Pemberian lebel ini dilakukan agar

nantinya data yang dilatih bisa dikenali sebagai salah satu ciri dari jenis pisang

tertentu. Adapun pemberian lebel ini menggunakan pencarian nama file data

yang nantinya akan menentukan lebel dari setiap jenis.

Gambar 4.10 Implementasi pencari lebel

Adapun hasil yang dapat dilihat yakni sebagai berikut:

Gambar 4.11 Hasil pelebelan data bagian jenis pisang ambon

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

Page 80: KLASIFIKASI JENIS BUAH PISANG DENGAN IMAGE PROCESSING ...repository.usd.ac.id/31630/2/135314126_full.pdf · KLASIFIKASI JENIS BUAH PISANG DENGAN IMAGE PROCESSING MENGGUNAKAN METHODE

58

Gambar 4.12 Hasil pelebelan data bagian jenis pisang kapas

Gambar 4.13 Hasil pelebelan data bagian jenis pisang mas

Gambar 4.14 Hasil pelebelan data bagian jenis pisang raja

Gambar 4.15 Hasil pelebelan data bagian jenis pisang susu

8. Menentukan target dari setiap jenis

Pada tahap ini akan membuat target dari masing-masing jenis pisang. Adapun

pembuatan target kelas ini menggunakan lebel sebagai petunjuk jenis pisang.

Untuk pisang ambon menggunakan lebel 1 yang akan diwakili sebagai [1 0 0 0 0].

Kemudian pisang kapas menggunakan lebel 2 yang diwakili sebagai [0 1 0 0 0].

Pisang mas menggunakan lebel 3 yang diwakili sebagai [0 0 1 0 0]. Lalu pisang

raja menggunakan lebel 4 diwakili [0 0 0 1 0]. Dan yang terakhir ialah pisang

susu dengan lebel 5 diwakili sebagai [0 0 0 0 1]. Adapun hasilnya dapat dilihat

sebagai berikut.

Gambar 4.16 Hasil pemberian targer jenis ambon

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

Page 81: KLASIFIKASI JENIS BUAH PISANG DENGAN IMAGE PROCESSING ...repository.usd.ac.id/31630/2/135314126_full.pdf · KLASIFIKASI JENIS BUAH PISANG DENGAN IMAGE PROCESSING MENGGUNAKAN METHODE

59

Gambar 4.17 Hasil pemberian targer jenis kapas

Gambar 4.18 Hasil pemberian targer jenis mas

Gambar 4.19 Hasil pemberian targer jenis raja

Gambar 4.20 Hasil pemberian targer jenis susu

9. Membagi data dengan Holdout Validation

Pada tahap ini penulis menggunakan Holdout validation sebagai pembagi

antara data training dan testing untuk percobaan 1 sebagai pengujian untuk epoch,

goal, dan learning rate terbaik. 240 data dibagi menjadi 2 bagian. Jumlah data

yang di training ialah 192, dan data yang di testing ialah 48. 48 data testing ini

memiliki isi dari 5 jenis pisang yang akan diujicobakan. Adapun contoh hasilnya

dapat dilihat sebagai berikut.

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

Page 82: KLASIFIKASI JENIS BUAH PISANG DENGAN IMAGE PROCESSING ...repository.usd.ac.id/31630/2/135314126_full.pdf · KLASIFIKASI JENIS BUAH PISANG DENGAN IMAGE PROCESSING MENGGUNAKAN METHODE

60

Gambar 4.21 Contoh data latih menggunakan holdout validation

Gambar 4.22 Contoh data uji menggunakan holdout validation

10. Membagi data dengan K-Fold Validation

Pada tahap ini penulis menggunakan K-Fold Validation sebagai pembagian

data untuk percobaan 2 dan 3. Data yang ada berjumlah 240 data, dibagi menjadi

5 bagian, maka didapat masing-masing bagian terdiri dari bagian1 = 49, bagian2

= 48, bagian3 = 48, bagian4 = 48, bagian5 = 47 data. Sehingga 4 bagian sebagai

training dan 1 bagian sebagai testing. Adapun contoh hasilnya dapat dilihat

sebagai berikut.

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

Page 83: KLASIFIKASI JENIS BUAH PISANG DENGAN IMAGE PROCESSING ...repository.usd.ac.id/31630/2/135314126_full.pdf · KLASIFIKASI JENIS BUAH PISANG DENGAN IMAGE PROCESSING MENGGUNAKAN METHODE

61

Gambar 4.23 Contoh data 1

Gambar 4.24 Contoh data 2

Gambar 4.25 Contoh data 3

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

Page 84: KLASIFIKASI JENIS BUAH PISANG DENGAN IMAGE PROCESSING ...repository.usd.ac.id/31630/2/135314126_full.pdf · KLASIFIKASI JENIS BUAH PISANG DENGAN IMAGE PROCESSING MENGGUNAKAN METHODE

62

Gambar 4.26 Contoh data 4

Gambar 4.27 Contoh data 5

4.2 Hasil dan Analisis Hasil

Dalam penelitian ini penulis mempunyai data sejumlah 250 data pisang, 240

data digunakan sebagai testing dan training group, dan 10 sebagai data testing

tunggal. Dari 240 data yang digunakan, masing-masing jenis pisang terwakili dengan

48 banyaknya pisang dalam 1 jenis. Penelitian kali ini akan akan menggunakan

model traingdx yang biasa digunakan pada banyak penelitinan terkait klasifikasi

ataupun identifikasi. Dalam model ini akan diuji dengan berbagai jumlah hidden layer

dan jumlah neuron yang terkandung dalam layer tersebut untuk mendapakan akurasi

terbaik. Dan model ini pula akan digunakan dalam pengujian data tunggal untuk

menunjukan hasil dari klasifikasi yang dilakukan pada penelitian ini.

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

Page 85: KLASIFIKASI JENIS BUAH PISANG DENGAN IMAGE PROCESSING ...repository.usd.ac.id/31630/2/135314126_full.pdf · KLASIFIKASI JENIS BUAH PISANG DENGAN IMAGE PROCESSING MENGGUNAKAN METHODE

63

4.2.1 Pengujian Dengan Variasi Jumlah Neuron, Epoch, Goal, Learning Rate

Dalam percobaan variasi jumlah hidden layer dan jumlah neuron akan

digunakan data sebanyak 240 data. Setelah melakukan ekstraksi ciri dari image

pisang maka akan didapat 12 ciri seperti dijelaskan pada bagian sebelumnya.

Sehingga didapat total nya berjumlah 240 x 12 table . Dalam percobaan ini dilakukan

beberapa kali pergantian hidden layer dan neuron yang dilakukan. Adapun percobaan

tersebut dapat dilihat sebagai berikut.

1. Percobaan ke 1

Percobaan pertama ini menggunakan model traingdx dan trainlm dengan 1

hidden layer. Variasi dilakukan pada jumlah epoch, goal, learning rate, dan

neuron dalam hidden layer 1. Pada percobaan ini menggunakan holdout

validation untuk membagi data testing dan training. 240 data dibagi menjadi 2

bagian. Jumlah data yang di training ialah 192, dan data yang di testing ialah 48.

48 data testing ini memiliki isi dari 5 jenis pisang yang akan diujicobakan.

Percobaan ini dilakukan untuk mengetahui epoch, goal, dan learning rate yang

baling baik dalam akurasi. Berikut merupakan hasil percobaan tersebut.

Tabel 4.1 Akurasi percobaan 1

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

Page 86: KLASIFIKASI JENIS BUAH PISANG DENGAN IMAGE PROCESSING ...repository.usd.ac.id/31630/2/135314126_full.pdf · KLASIFIKASI JENIS BUAH PISANG DENGAN IMAGE PROCESSING MENGGUNAKAN METHODE

64

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

Page 87: KLASIFIKASI JENIS BUAH PISANG DENGAN IMAGE PROCESSING ...repository.usd.ac.id/31630/2/135314126_full.pdf · KLASIFIKASI JENIS BUAH PISANG DENGAN IMAGE PROCESSING MENGGUNAKAN METHODE

65

Dari tabel 4.1 diatas dapat dilihat bahwa epoch dengan jumlah 5000 memiliki

akurasi tertinggi yakni hingga 97.91%. Namun untuk percobaan berikutnya,

penulis akan menggunakan epoch=5000, goal=0.0001, dan learning rate=0.1.

Alasanya, karena dari tabel 4.1 variasi ini memiliki 1 akurasi tertinggi dari

masing-masing model yakni traingdx dan trainlm.

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

Page 88: KLASIFIKASI JENIS BUAH PISANG DENGAN IMAGE PROCESSING ...repository.usd.ac.id/31630/2/135314126_full.pdf · KLASIFIKASI JENIS BUAH PISANG DENGAN IMAGE PROCESSING MENGGUNAKAN METHODE

66

2. Percobaan ke 2

Percobaan kedua ini menggunakan k-fold validation dengan data dibagi

menjadi 5, 240/5 = 48. Percobaan ini akan dilakukan pengujian terhadap semua

bagian (5 bagian) sehingga akan terdapat 5 percobaan dalam percobaan ketiga ini.

Percobaan pertama atau kesatu diatas akan menjadi dasar dari variasi epoch, goal,

dan learning rate dengan akurasi tertinggi. Berikut merupakan hasil

percobaannya.

Tabel 4.2 Akurasi percobaan 2

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

Page 89: KLASIFIKASI JENIS BUAH PISANG DENGAN IMAGE PROCESSING ...repository.usd.ac.id/31630/2/135314126_full.pdf · KLASIFIKASI JENIS BUAH PISANG DENGAN IMAGE PROCESSING MENGGUNAKAN METHODE

67

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

Page 90: KLASIFIKASI JENIS BUAH PISANG DENGAN IMAGE PROCESSING ...repository.usd.ac.id/31630/2/135314126_full.pdf · KLASIFIKASI JENIS BUAH PISANG DENGAN IMAGE PROCESSING MENGGUNAKAN METHODE

68

Dari tabel 4.2 diatas dapat dilihat akurasi tertinggi ada pada neuron 40,

dengan akurasi tertinggi model traingdx sebesar 97.91% dengan waktu 8.9 detik

dan trainlm sebesar 100% dengan waktu 1.6 detik. Jika dirata-ratakan baik

akurasi maupun waktu dapat dilihat sebagai berikut.

Tabel 4.3 Rata-rata dari percobaan 2

Dari tabel 4.3 rata-rata percobaan 2 diatas, rata-rata akurasi tertinggi pada

model traingdx di neuron 60 dengan rata-rata akurasi 88.8% dalam rata-rata

waktu 12.4 detik dan model trainlm sebesar 89.95% dalam rata-rata waktu 6.2

detik. Grafik dari tabel 4.3 diatas dapat dilihat sebagai berikut.

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

Page 91: KLASIFIKASI JENIS BUAH PISANG DENGAN IMAGE PROCESSING ...repository.usd.ac.id/31630/2/135314126_full.pdf · KLASIFIKASI JENIS BUAH PISANG DENGAN IMAGE PROCESSING MENGGUNAKAN METHODE

69

Gambar 4.28 Grafik rata-rata akurasi dari percobaan 2

Dari gambar 4.28 grafik rata-rata akurasi diatas dapat dilihat bahwa akurasi

kedua model saling bersaing satu dengan yang lain. Dari 10 kali percobaan variasi

neuron model traingdx mendominasi dengan jumlah akurasi tertinggi terbanyak

yakni 7, sisanya model trainlm dengan 3 tertinggi. Namun jika dilihat dari rata-

rata akurasi yang paling tinggi, model trainlm lebih unggul dari traingdx, yakni

dengan akurasi 89.95%.

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

Page 92: KLASIFIKASI JENIS BUAH PISANG DENGAN IMAGE PROCESSING ...repository.usd.ac.id/31630/2/135314126_full.pdf · KLASIFIKASI JENIS BUAH PISANG DENGAN IMAGE PROCESSING MENGGUNAKAN METHODE

70

Gambar 4.29 Grafik rata-rata waktu dari percobaan 2

Dari gambar 4.29 grafik rata-rata waktu diatas dapat dilihat bahwa rata-rata

waktu tercepat didominasi oleh model trainlm. Dari 10 kali percobaan variasi

neuron model trainlm mendominasi dengan jumlah waktu tercepat terbanyak

yakni 10. Dan jika dilihat dari rata-rata waktu yang paling cepat, tentunya model

trainlm lebih unggul juga dari traingdx, yakni dengan rata-rata waktu tercepat 0.6

detik

3. Percobaan ke 3

Percobaan ke 3 ini merupakan lanjutan dari percobaan ke2, dengan tambahan

percobaan ini menggunakan hidden layer kedua. Percobaain kali ini akan

menggunakan dasar dari percobaan kedua dengan akurasi tertinggi model

traingdx sebesai 97.91% dan model trainlm sebesar 100% pada neuron 40.

Jumlah neuron pada hidden layer kedua di percobaan ini akan divariasikan dari 10

hingga 100. Hasil percobaan dapat dilihat sebagai berikut.

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

Page 93: KLASIFIKASI JENIS BUAH PISANG DENGAN IMAGE PROCESSING ...repository.usd.ac.id/31630/2/135314126_full.pdf · KLASIFIKASI JENIS BUAH PISANG DENGAN IMAGE PROCESSING MENGGUNAKAN METHODE

71

Tabel 4.4 Akurasi percobaan 3

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

Page 94: KLASIFIKASI JENIS BUAH PISANG DENGAN IMAGE PROCESSING ...repository.usd.ac.id/31630/2/135314126_full.pdf · KLASIFIKASI JENIS BUAH PISANG DENGAN IMAGE PROCESSING MENGGUNAKAN METHODE

72

Dari tabel 4.4 akurasi percobaan 3 diatas dapat dilihat akurasi tertinggi ada

pada neuron 100, dengan akurasi tertinggi model traingdx sebesar 100% dan

trainlm sebesar 97.91% pada neuron 50, 70, 80, dan 90. Jika dirata-ratakan baik

akurasi maupun waktu dapat dilihat sebagai berikut.

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

Page 95: KLASIFIKASI JENIS BUAH PISANG DENGAN IMAGE PROCESSING ...repository.usd.ac.id/31630/2/135314126_full.pdf · KLASIFIKASI JENIS BUAH PISANG DENGAN IMAGE PROCESSING MENGGUNAKAN METHODE

73

Tabel 4.5 Tabel rata-rata percobaan 3

Dari tabel 4.5 tabel rata-rata percobaan 3 diatas, rata-rata akurasi tertinggi

pada model traingdx di neuron 70 dengan rata-rata akurasi 89.95% dalam rata-

rata waktu 19 detik dan model trainlm sebesar 89.14% dalam rata-rata waktu 117

detik. Grafik dari tabel 4.5 diatas dapat dilihat sebagai berikut.

Gambar 4.30 Grafik rata-rata akurasi dari percobaan 3

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

Page 96: KLASIFIKASI JENIS BUAH PISANG DENGAN IMAGE PROCESSING ...repository.usd.ac.id/31630/2/135314126_full.pdf · KLASIFIKASI JENIS BUAH PISANG DENGAN IMAGE PROCESSING MENGGUNAKAN METHODE

74

Dari gambar 4.30 grafik rata-rata akurasi diatas dapat dilihat bahwa akurasi

kedua model juga saling bersaing satu dengan yang lain. Dari 10 kali percobaan

variasi neuron model traingdx dengan jumlah akurasi tertinggi terbanyak yakni 3,

dan model trainlm dengan 3 tertinggi, sisanya 4 memiliki rata-rata akurasi yang

sama. Namun jika dilihat dari rata-rata akurasi yang paling tinggi, model

traingdx lebih unggul dari trainlm, yakni dengan akurasi 89.95%.

Gambar 4.31 Grafik rata-rata waktu dari percobaan 3

Dari gambar 4.31 grafik rata-rata waktu diatas dapat dilihat bahwa rata-rata

waktu tercepat didominasi oleh model traingdx. Dari 10 kali percobaan variasi

neuron model traingdx mendominasi dengan jumlah rata-rata waktu tercepat

terbanyak yakni 6 dan 3 sisanya dimiliki trainlm. Dan jika dilihat dari rata-rata

waktu yang paling cepat, model trainlm lebih unggul juga dari traingdx, yakni

dengan rata-rata waktu tercepat 3.7 detik.

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

Page 97: KLASIFIKASI JENIS BUAH PISANG DENGAN IMAGE PROCESSING ...repository.usd.ac.id/31630/2/135314126_full.pdf · KLASIFIKASI JENIS BUAH PISANG DENGAN IMAGE PROCESSING MENGGUNAKAN METHODE

75

Dari beberapa percobaan yang sudah dilakukan diatas, dapat dibandingkan antara

percobaan dengan 1 hidden layer dan 2 hidden layer.

Tabel 4.6 perbandiangan 1 hidden layer dan 2 hidden layer

no 1 hidden layer 2 hidden layer

1 Model traingdx sebesar 97.91%

dengan waktu 8.9 detik.

Model trainlm sebesar 100% dengan

waktu 1.6 detik

Model traingdx sebesar 100% . dengan

waktu 22.1 detik

Model trainlm sebesar 97.91% wakti

tertinggi 31.2 detik

2 Model traingdx dengan rata-rata

akurasi 88.8% dalam rata-rata waktu

12.4 detik.

Model trainlm rata-rata akurasi

sebesar 89.95% dalam rata-rata

waktu 6.2 detik

Model traingdx dengan rata-rata akurasi

89.95% dalam rata-rata waktu 19 detik

Model trainlm sebesar 89.14% dalam

rata-rata waktu 117 detik

Dari tabel 4.6 diatas dapat dibandingkan antara 1 hidden layer dan 2 hidden

layer, ternyata 1 hidden layer lebih efektif dalam hal waktu dan akurasi.

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

Page 98: KLASIFIKASI JENIS BUAH PISANG DENGAN IMAGE PROCESSING ...repository.usd.ac.id/31630/2/135314126_full.pdf · KLASIFIKASI JENIS BUAH PISANG DENGAN IMAGE PROCESSING MENGGUNAKAN METHODE

76

4.2.2 Implementasi User Interface

Pada bagian ini akan membahas mengena tampilan antarmuka dari program

klasifikasi pisang menggunakan jaringan syaraf tiruan. Berikut ini merupakan

tampilan keseluruhan nya.

Gambar 4.32 Tampilan user interface keseluruhan

a. Bagian data

Bagian data ini, user diminta untuk memilih folder yang akan diproses sebagai

training dan testing. Berikut ini merupakan tampilannya.

Gambar 4.33 Tampilan user interface data

Dari gambar 4.33 diatas, dapat dilihat pada bagian pojok kiri terdapat tombol

“pilih file”, ketika tombol tersebut diklik, user akan dihadapkan pada tampilan

untuk memilih folder. Berikut tampilannya.

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

Page 99: KLASIFIKASI JENIS BUAH PISANG DENGAN IMAGE PROCESSING ...repository.usd.ac.id/31630/2/135314126_full.pdf · KLASIFIKASI JENIS BUAH PISANG DENGAN IMAGE PROCESSING MENGGUNAKAN METHODE

77

Gambar 4.34 Tampilan user interface pilih data

Ketika user selesai memilih folder, maka program akan memproses data

didalam file tersebut. Setelah selesai maka program akan memberitahukan bahwa

program selesai berjalan. Berikut tampilannya

Gambar 4.35 Tampilan user interface pesan pemberitahuan 1

Setelah selesai memilih folder dan program selesai mengolah data, maka

program akan menampilkan data hasil olahan tersebut. Berikut hasilnya

Gambar 4.36 Tampilan user interface hasil olah data

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

Page 100: KLASIFIKASI JENIS BUAH PISANG DENGAN IMAGE PROCESSING ...repository.usd.ac.id/31630/2/135314126_full.pdf · KLASIFIKASI JENIS BUAH PISANG DENGAN IMAGE PROCESSING MENGGUNAKAN METHODE

78

Dari gambar 4.36 diatas, bagian sebelah kiri merupakan data mentah hasil

olahan, sedangkan data sebelah kanan menunjukan data setelah dinormalisasi

dengan normalisasi minmax.

b. Bagian testing group

Bagian ini memuat tampilan user interface untuk testing group. Dalam

interface tersebut terdapat bagian arsitektur jaringan, data training, testing dan

hasil. Berikut tampilannya.

Gambar 4.37 Tampilan user interface testing group.

Dari gambar 4.37 diatas dapat dilihat pada bagian arsitektur user diminta

untuk mengisi bagain hidden layer 1 dan hidden layer 2 jika ingin mengisi,

epoch, goal, dan learning rate. Bagian hidden layer 1 harus diisi, jika tidak akan

muncul pesan bahwa hidden layer tersebut harus diisi. Berikut tampilannya.

Gambar 4.38 Tampilan user interface peringatan hidden layer 1.

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

Page 101: KLASIFIKASI JENIS BUAH PISANG DENGAN IMAGE PROCESSING ...repository.usd.ac.id/31630/2/135314126_full.pdf · KLASIFIKASI JENIS BUAH PISANG DENGAN IMAGE PROCESSING MENGGUNAKAN METHODE

79

Begitu pula dengan epoch, goal, dan learning rate harus diisi, jika tidak maka

akan muncul peringatan masing-masing sebagai berikut.

Gambar 4.39 Tampilan user interface peringatan epoch.

Gambar 4.40 Tampilan user interface peringatan goal.

Gambar 4.41 Tampilan user interface peringatan learning rate.

Setelah user mengisi arsitektur dengan benar, seperti contoh penulis

menggunakan 1 hidden layer dengan 40 neuron dengan model trainlm,

epoch=5000, goal=0.0001, learning rate=0.1. Berikut tampilannya.

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

Page 102: KLASIFIKASI JENIS BUAH PISANG DENGAN IMAGE PROCESSING ...repository.usd.ac.id/31630/2/135314126_full.pdf · KLASIFIKASI JENIS BUAH PISANG DENGAN IMAGE PROCESSING MENGGUNAKAN METHODE

80

Gambar 4.42 Tampilan user interface testing group.

Pada gambar 4.42 diatas, penulis (user) telah mengisi bagian arsitektur seperti

contoh diatas, kemudian pada bagian bawah sebelah kiri terdapat tombol

“testing” untuk menjalankan program. Setelah dijalankan, program akan berjalan

dengan arsitektur yang telah di pilih. Berikut ini merupakan hasilnya.

Gambar 4.43 Tampilan user interface running

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

Page 103: KLASIFIKASI JENIS BUAH PISANG DENGAN IMAGE PROCESSING ...repository.usd.ac.id/31630/2/135314126_full.pdf · KLASIFIKASI JENIS BUAH PISANG DENGAN IMAGE PROCESSING MENGGUNAKAN METHODE

81

Setelah program berhasil dijalankan, maka, akan menampilkan pesan bahwa

program berhasil dijalankan. Berikut tampilan pesan tersebut.

Gambar 4.44 Tampilan user interface pesan pemberitahuan 2

Setelah program berhasil dijalankan, maka akan diperoleh hasil seperti berikut

ini.

Gambar 4.45 Tampilan user interface hasil testing group

Dari gambar 4.45 diatas, dapat dilihat pada bagian tabel pertama merupakan

data pembagian data menjadi 5 bagian. Pada bagian hasil terdapat tabel kedua

merupakan data keterangan berupa laju error, benar, salah, akurasi, dan waktu.

tabel selanjutnya dengan isi lebel sebenarnya dari data testing tersebut, dengan

lebel setelah di training. Terdapat pula bagian yang menampilkan rata-rata laju

error , rata-rata waktu, dan rata-rata akurasi kalkulasi dari testing tersebut.

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

Page 104: KLASIFIKASI JENIS BUAH PISANG DENGAN IMAGE PROCESSING ...repository.usd.ac.id/31630/2/135314126_full.pdf · KLASIFIKASI JENIS BUAH PISANG DENGAN IMAGE PROCESSING MENGGUNAKAN METHODE

82

c. Bagian testing tunggal

Bagian ini memuat tampilan user interface untuk testing tunggal. Dalam

interface tersebut terdapat bagian arsitektur preproessing, ektraksi ciri, dan hasil.

Berikut tampilannya.

Gambar 4.46 Tampilan user interface testing tunggal

Pada gambar 4.46 diatas, pada bagian bawah sebelah kanan, terdapat tombol

“pilih gambar” untuk memilih gambar yang akan digunakan untuk testing tunggal.

Setelahdi klik, maka user akan dihadapkan pada sebuah interface untuk memilih data

tunggal yang akan dipilih. Berikut tampilannya

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

Page 105: KLASIFIKASI JENIS BUAH PISANG DENGAN IMAGE PROCESSING ...repository.usd.ac.id/31630/2/135314126_full.pdf · KLASIFIKASI JENIS BUAH PISANG DENGAN IMAGE PROCESSING MENGGUNAKAN METHODE

83

Gambar 4.47 Tampilan user interface pilih data tunggal

Setelah user memilih gambar makan, gambar tersebut akan diolah oleh program,

pada kali ini penulis akan menggunakan gambar pisang ambon_49. Jika data selesai

diolah, maka program akan menampilkan pesan bahwa program selesai. Berikut

tampilannya

Gambar 4.48 Tampilan user interface pesan pemberitahuan 3

Setelah program selesai dijalankan, program akan menampilkan data tersebut

pada bagian interface data tunggal. Berikut tampilannya

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

Page 106: KLASIFIKASI JENIS BUAH PISANG DENGAN IMAGE PROCESSING ...repository.usd.ac.id/31630/2/135314126_full.pdf · KLASIFIKASI JENIS BUAH PISANG DENGAN IMAGE PROCESSING MENGGUNAKAN METHODE

84

Gambar 4.49 Tampilan user interface hasil ekstraksi ciri tunggal

Dari gambar 4.48 diatas dapat dilihat pada bagian preprocessing, menampilkan

gambar hasil resize, crop, dan gambar dilasi. Dan pada bagian ektraksi ciri, program

menampilkan ciri dari gambar tersebut. Dan pada bagian hasil klasifikasi, masih

kosong, kemudian untuk mengenali gambar tersebut, user diminta untuk menekan

tombol “kenali” pada bagian bawah kanan, untuk mengetahui jenis tersebut. Berikut

tampilannya setelah tombol tersebut di klik.

Gambar 4.50 Tampilan user interface pesan pemberitahuan 4

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

Page 107: KLASIFIKASI JENIS BUAH PISANG DENGAN IMAGE PROCESSING ...repository.usd.ac.id/31630/2/135314126_full.pdf · KLASIFIKASI JENIS BUAH PISANG DENGAN IMAGE PROCESSING MENGGUNAKAN METHODE

85

Jika program berhasil dijalankan, maka program akan menampilkan pesan

pemberitahuan seperti gambar 4.49 diatas. Kemudian untuk Hasil klasifikasi

menunjukan bahwa pisang tersebut benar pisang ambon, berikut ini hasil

klasifikasinya.

Gambar 4.51 Tampilan user interface hasil testing tunggal

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

Page 108: KLASIFIKASI JENIS BUAH PISANG DENGAN IMAGE PROCESSING ...repository.usd.ac.id/31630/2/135314126_full.pdf · KLASIFIKASI JENIS BUAH PISANG DENGAN IMAGE PROCESSING MENGGUNAKAN METHODE

86

4.2.3 Pengujian Data Tunggal

Setelah dilakukan pelatihan pada program dengan data yang sudah ada, maka

langkah selanjutnya yakni melakukan pengujian data tunggal. Data tunggal ini

merupakan data yang tidak termasuk dalam proses pelaihan dan pengujian data

kelompok.

Proses pengujian dilakukan menggunakan arsitektur jaringan syaraf tiruan

dengan akurasi tertinggi pada proses sebelumnya. Pada kali ini penulis menggunakan

1 hidden layer dengan jumlah neuron sebanyak 20, dengan model traingdx. Data

tunggal diuji secara masing-masing sebanyak 10 gambar dengan masing-masing jenis

diwakili oleh 2 gambar. Berikut ini merupakan tabel hasil uji data tunggal tersebut.

Table 4.7 Table Akurasi 10

No Gambar pisang Hasil pengenalan gambar

pisang

status

1 Ambon_49 Ambon Benar

2 Ambon_50 Ambon Benar

3 Kapas_49 Kapas Benar

4 Kapas_50 Kapas Benar

5 Mas_49 Mas Benar

6 Mas_50 Mas Benar

7 Raja_49 Raja Benar

8 Raja_50 Raja Benar

9 Susu_49 Susu Benar

10 Susu_50 Raja salah

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

Page 109: KLASIFIKASI JENIS BUAH PISANG DENGAN IMAGE PROCESSING ...repository.usd.ac.id/31630/2/135314126_full.pdf · KLASIFIKASI JENIS BUAH PISANG DENGAN IMAGE PROCESSING MENGGUNAKAN METHODE

87

Dari tabel 4.7 diatas dapat dilihat bahwa dari 10 gambar, 9 gambar benar

diklasifikasikan, dan 1 gambar salah. Program klasifikasi ini bisa dikatakan baik jika

dilihat dari pengujian tunggal diatas. Tetapi terdapat 1 gambar yang tidak sesuai

target yakni pisang Susu_50 yang dikenali sebagai pisang raja. Jika dilihat secara

langsung persamaanya bisa dikatakan hampir mirip.

(1) (2)

(3)

Gambar 4.52 gambar pisang raja (1,2) dan pisang susu (3)

Dari gambar 4.51 diatas, dapat dilihat bahwa pisang raja dan pisang susu

memiliki ciri sebagai berikut.

(1) (2)

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

Page 110: KLASIFIKASI JENIS BUAH PISANG DENGAN IMAGE PROCESSING ...repository.usd.ac.id/31630/2/135314126_full.pdf · KLASIFIKASI JENIS BUAH PISANG DENGAN IMAGE PROCESSING MENGGUNAKAN METHODE

88

(3)

Gambar 4.53 ciri pisang raja (1,2) dan ciri pisang susu (3)

Dari gambar 4.52 diatas, dapat dilihat bahwa pisang raja dan pisang susu

memiliki ciri yang hampir mirip, yakni ciri mean red, mean green, standar deviasi

red, standar deviasi green, perimeter, dan kebulatan.

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

Page 111: KLASIFIKASI JENIS BUAH PISANG DENGAN IMAGE PROCESSING ...repository.usd.ac.id/31630/2/135314126_full.pdf · KLASIFIKASI JENIS BUAH PISANG DENGAN IMAGE PROCESSING MENGGUNAKAN METHODE

88

BAB V

PENUTUP

5.1 KESIMPULAN

Dalam hasil penelitian tentang klasifikasi jenis buah pisang dengan image

processing menggunakan metode backpropagation dapat disimpulkan beberapa hal

sebagai berikut:

1. Akurasi tertinggi dalam proses klasifikasi jenis buah pisang ini

menggunakan epoch 5000, goal 0.0001 dan learning rate 0.1 ialah

hidden layer 1 dengan jumlah akurasi sebesar 100% dengan model trainlm

dengan waktu 1.6 detik. Sedangkan hidden layer 2 pada model traingdx

diperoleh akurasi tertinggi 100% dengan waktu 22.1 detik.

2. Rata-rata akurasi tertinggi dalam proses klasifikasi jenis buah pisang ini

menggunakan epoch 5000, goal 0.0001 dan learning rate 0.1 ialah

hidden layer 1 dengan model trainlm jumlah rata-rata akurasi sebesar

89.95% dengan rata-rata waktu 6.2 detik. Sedangkan hidden layer 2 pada

model traingdx diperoleh rata-rata akurasi 89.95% dengan waktu 19

detik.

3. Dari percobaan yang sudah dilakukan penggunaan 1 hidden layer lebih

efektif dengan akurasi tertinggi dan waktu tercepat dari pada

menggunakan 2 hidden layer.

4. Dari percobaan dengan 2 model jaringan syaraf tiruan, trainlm merupakan

model yang sangat baik dalam hal waktu dan akurasi jika menggunakan 1

hidden layer

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

Page 112: KLASIFIKASI JENIS BUAH PISANG DENGAN IMAGE PROCESSING ...repository.usd.ac.id/31630/2/135314126_full.pdf · KLASIFIKASI JENIS BUAH PISANG DENGAN IMAGE PROCESSING MENGGUNAKAN METHODE

89

5. Model jaringan syaraf tiruan yang dihasilkan sudah mampu mengenali

jenis pisang dengan baik. Hal ini dapat dilihat dari hasil uji data tunggal

yang datanya tidak tergabung dalam proses training mampu mengenali 9

jenis pisang dan 1 jenis pisang gagal atau tidak sesuai target.

5.2 SARAN

Dari hasil penelitian mengenai klasifikasi jenis buah pisang yang sudah

dilakukan, ada beberapa saran yang dapat diberikan penulis untuk kepentingan

selanjutnya dalam pengembangan program maupun studi kasus yang hampir serupa,

yakni:

1. Ketika menggunakan metode backpropagation dengan model trainlm,

diperlukan spesifikasi komputer yang cukup, agar bisa waktu yang diperlukan

lebih cepat.

2. Untuk penelitian selanjutnya atau pengembangan dari penelitian ini bisa

menambahkan jenis pisang yang akan digunakan pada penelitian selanjutnya.

3. Pengembangan dari sisi tampilan dapat ditambah untuk memudahkan

membaca grafik sehingga pengguna dapat melihat bagian grafik dari akurasi

dan waktu yang dihasilkan

4. Pengembangan percobaan metode Normalisasi lain sehingga akan

mendapatkan hasil lebih optimal lagi.

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

Page 113: KLASIFIKASI JENIS BUAH PISANG DENGAN IMAGE PROCESSING ...repository.usd.ac.id/31630/2/135314126_full.pdf · KLASIFIKASI JENIS BUAH PISANG DENGAN IMAGE PROCESSING MENGGUNAKAN METHODE

90

Daftar Pustaka

Kementrian petanian, 2015, pisang,

http://www.pertanian.go.id/ap_pages/mod/datahorti diakses tanggal 17 dan

21 september 2016.

KBBI, 2016, pisang, http://kbbi.web.id/pisang diakses tanggal 08 desember 2016.

Flores L., 2016, kandungan pisang http://www.beautips.net/2015/10/buah-pisang-

manfaat-kesehatan-efek-samping.html diakses tanggal 08 desember 2016.

RHIN Biotechnology, 2015, http://rhinbiotechnology.com/kenali-yuk-jenis-pisang-di-

indonesia/ diakses tanggal 11 desember 2016.

JITUNEWS.COM, 2015, http://www.jitunews.com/read/10386/mengenal-8-macam-

buah-pisang-asli-indonesia diakses tanggal 11 desember 2016.

Metode-algoritma.com., 2013, http://www.metode-

algoritma.com/2013/02/backpropagation.html diakses tanggal 3 desember

2016

Deswari D., Hendrick M.T., Derisma M.T., Identifikasi Kematangan Buah Tomat

Menggunakan Backpropagation, Teknik Elektro, Politeknik Negeri Padang.

Yanuar P.W., Agus H., 2014, Pemrosesan Citra Digital untuk Klasifikasi Mutu Buah

Pisang Menggunakan Jaringan Saraf Tiruan, FMIPA, UGM, Yogyakarta.

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

Page 114: KLASIFIKASI JENIS BUAH PISANG DENGAN IMAGE PROCESSING ...repository.usd.ac.id/31630/2/135314126_full.pdf · KLASIFIKASI JENIS BUAH PISANG DENGAN IMAGE PROCESSING MENGGUNAKAN METHODE

91

Siang J.J., 2005, Jaringan Saraf Tiruan dan Pemrogramannya Menggunakan

MATLAB, Penerbit ANDI, Yogyakarta.

Kadir A., Susanto A., 2013, Teori dan Aplikasi Pengolahan Citra, Penertbit ANDI,

Yogyakarta

Permata Endi, Suherman Andri, Maulana Alief, 2014, Klasifikasi Daun Tanaman The

Obroma Cacao Menggunakan Metode Neural Network, SENTIKA,

Yogyakarta.

Nugraha Praditia Aditya, Saptono Ristu, Sulistyo Meiyanto Eko, 2013, Perbandingan

Metode Probabilistik Naïve Bayesian Classifier dan Jaringan Syaraf Tiruan

Learning Vector Quantization dalam Kasus Klasifikasi Penyakit Kandungan,

JURNAL ITSMART, Surakarta.

Permadi Yuda, Murinto, 2015, Aplikasi Pengolahan Citra Untuk Identifikasi

Kematangan Mentimun Berdasarkan Tektur Kulit Buah Menggunakan

Metode Ekstraksi Ciri Statistik, JURNAL INFORMATIKA, Yogyakarta.

Marshalina, Hidayat Bambang, Wibowo Suryo Adhi, 2012, Klasifikasi Buah Mangga

Berdasarkan Bentuk Dan Warna Dengan Metode Curvelet, Telkom

University, Bandung.

Arfhiyanta Dhesa, 2016, Prediksi Jumlah Produksi Roti Menggunakan Metode

Backpropagation, Universitas Sanata Dharma, Yogyakarta.

Putera Lorencius Echo Sujianto, 2016, Klasifikasi Burung Berdasarkan Suara Kicau

Burung Menggunakan Jaringan Syaraf Tiruan Propagasi Balik, Universitas

Sanata Dharma, Yogyakarta.

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

Page 115: KLASIFIKASI JENIS BUAH PISANG DENGAN IMAGE PROCESSING ...repository.usd.ac.id/31630/2/135314126_full.pdf · KLASIFIKASI JENIS BUAH PISANG DENGAN IMAGE PROCESSING MENGGUNAKAN METHODE

92

Gunadi Ronny, 2017, Pengenalan Aksara Lampung Menggunakan Jaringan Syaraf

Tiruan Backpropagation Dengan Modified Direction Feature Extraction,

Universitas Sanata Dharma, Yogyakarta.

Siwi Birgitta Ranindya, 2017, Prediksi Jumlah Produksi Cone Ice Cream

Menggunakan Metode Backpropagation, Universitas Sanata Dharma,

Yogyakarta.

Johari D., Rahman T.K.A., Musirin I., 2009, ANN Model Selection Performance

Evaluation for Lightning Prediction System, University Technology Mara,

Malaysia.

Andri, Paulus, Wong Ng Poi, Gunawan Toni, 2014, Segmentasi Buah Menggunakan

Metode K-Means Clustering Dan Identifikasi KematanganNya Menggunakan

Metode Perbandingan Kadar Warna, STMIK Mikroskil.

Raras Bernadetta, -, Prediksi Data Menggunakan Neural Network Dengan Algoritma

Backpropagation, Telkom University, Bandung.

Permatasari Debby, 2012, Sistem Klasifikasi Kualitas Biji Jagung Berdasarkan

Tekstur Berbasis PengolahanCitra Digital, Telkom University, Bandung.

Permata Endi, Suherman Andri, 2015, Klasifikasi Kualitas Buah Garcinia

Mangostana L. Menggunakan Metode Learning Vector Quantization,

SENTIKA, Yogyakarta.

Halela Ion Ataka, Nurhadiyono Bowo, S.Si,M.Kom, Rahmawati Farah Zakiyah, -,

Identifikasi Jenis Buah Apel Menggunakan Algoritma K-Nearest Neighbor

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

Page 116: KLASIFIKASI JENIS BUAH PISANG DENGAN IMAGE PROCESSING ...repository.usd.ac.id/31630/2/135314126_full.pdf · KLASIFIKASI JENIS BUAH PISANG DENGAN IMAGE PROCESSING MENGGUNAKAN METHODE

93

(KNN) dengan Ektraksi Fitur Histogram, Universitas Dian Nuswantoro, Jawa

Tengah.

Siregar Tantry Meilany, Harahap Lukman Adlin, Rohanah Ainun, 2015, Identifikasi

Kematangan Buah Pisang (Musa Paradisiaca) Dengan Teknik Jaringan

Syaraf Tiruan, USU, Medan.

Risamasu Daniel Eka Putra, 2017, Identifikasi Bentuk Biji Kopi Menggunakan

Deskriptor Bentuk Dasar Dan Jaringan Syaraf Tiruan, Universitas Sanata

Dharma, Yogyakarta.

Bustimi M. Arief, Dzulfikar Ahmad Zaki, 2014, Analisis Distribusi Intensitas RGB

Citra Digital Untuk Klasifikasi Kualitas Biji Jagung Menggunakan Jaringan

Syaraf Tiruan, Institut Teknologi Sepuluh Nopember, Surabaya.

Flores Dora-Luz, Gomez Claudia, Cervantes David, Abaroa Alberto, Castro Carlos,

2017, Predicting The Physiological Response Of Tivela Stultorum Hearts

With Digoxin From Cardiac Parameters Using Artificial Neural Networks,

University Of Baja California, Mexico

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI